proposicão de um algoritmo para identificação biométrica de ...

157

Transcript of proposicão de um algoritmo para identificação biométrica de ...

Page 1: proposicão de um algoritmo para identificação biométrica de ...

RICARDO JANES

PROPOSICÃO DE UM ALGORITMO PARA IDENTIFICAÇÃO BIOMÉTRICA

DE PESSOAS BASEADO NOS PADRÕES DE VEIAS DAS MÃOS

São Paulo

2016

Page 2: proposicão de um algoritmo para identificação biométrica de ...

RICARDO JANES

PROPOSICÃO DE UM ALGORITMO PARA IDENTIFICAÇÃO BIOMÉTRICA

DE PESSOAS BASEADO NOS PADRÕES DE VEIAS DAS MÃOS

Tese apresentada à Escola Politécnica da Uni-versidade de São Paulo para obtenção do títulode doutor em Ciências

São Paulo

2016

Page 3: proposicão de um algoritmo para identificação biométrica de ...

RICARDO JANES

PROPOSICÃO DE UM ALGORITMO PARA IDENTIFICAÇÃO BIOMÉTRICA

DE PESSOAS BASEADO NOS PADRÕES DE VEIAS DAS MÃOS

Tese apresentada à Escola Politécnica da Uni-versidade de São Paulo para obtenção do títulode doutor em Ciências

Área de concentração:Engenharia Elétrica

Orientador:Prof. Dr. Augusto Ferreira Brandão Jr.

São Paulo

2016

Page 4: proposicão de um algoritmo para identificação biométrica de ...

Catalogação-na-publicação

Janes, Ricardo

Proposição de um algoritmo para identificação biométrica de pessoas baseado nos padrões de veias das mãos / R. Janes – versão corr. -- São Paulo, 2016.

155 p.

Tese (Doutorado) - Escola Politécnica da Universidade de São Paulo. Departamento de Engenharia de Energia e Automação Elétricas.

1.Biometria 2.Processamento de Imagens 3.Inteligência Artificial

4.Mineração de dados 5.Redes Neurais I.Universidade de São Paulo. Escola Politécnica. Departamento de Engenharia de Energia e Automação Elétricas II.t.

Este exemplar foi revisado e corrigido em relação à versão original, sob responsabilidade única do autor e com a anuência de seu orientador. São Paulo, ________ de _________________________ de _________ Assinatura do autor: _________________________________ Assinatura do orientador: _________________________________

Page 5: proposicão de um algoritmo para identificação biométrica de ...

DEDICATÓRIA

Às minhas queridas lhas Sophia e Giovanna,

meus pequenos anjos enviados por Deus, pelo

auxílio na elaboração desta tese em forma de

beijos, abraços e atos de amor intermináveis

que me inspiraram a continuar batalhando,

mesmo nos momentos mais difíceis.

Page 6: proposicão de um algoritmo para identificação biométrica de ...

AGRADECIMENTOS

Ao Prof. Dr. Augusto Ferreira Brandão Júnior, pelas diretrizes seguras, orientação, supervisão,

conança, paciência e oportunidade que concedeu-me para o desenvolvimento desta pesquisa

e por todo o apoio prestado durante estes anos.

Ao Prof. Dr. Cícero Couto de Moraes e ao Prof. Dr. Sérgio Luiz Pereira, pelas importantes

contribuições durante o exame de qualicação deste trabalho.

À minha querida esposa Dinah, que com muito amor e paciência, fez com que a execução

deste trabalho se tornasse mais fácil.

À Escola Politécnica da Universidade de São Paulo, pela oportunidade de realização deste

trabalho.

Ao Dr. Caio Cesar Fattori, pelas importantes contribuições na editoração e diagramação deste

trabalho com o uso do sistema Latex.

Ao amigo Prof. Ms. Daniel Otávio Tambasco Bruno, por todo o auxílio com os programas

envolvidos.

Ao Prof. Dr. Mauro Sérgio Juarez Cáceres, pela conança, incentivo e apoio.

Aos professores do curso de pós-graduação da Escola Politécnica da Universidade de São

Paulo, principalmente aos professores do PEA, pelo apoio, colaboração, sugestões e discussões

levantadas ao longo do período de pesquisa, fundamentais na elaboração e consolidação do

trabalho.

À minha família e meus amigos, pela paciência, ajuda, apoio e carinho.

A todos que direta ou indiretamente contribuíram para a elaboração deste trabalho.

Page 7: proposicão de um algoritmo para identificação biométrica de ...

RESUMO

Esta tese tem por nalidade apresentar o desenvolvimento de um sistema biométrico de

baixo custo, capaz de identicar pessoas pela análise dos padrões de veias das mãos com

obtenção de imagens no espectro infravermelho próximo. O sistema foi montado sicamente

através da construção de um protótipo e então foram aquisitadas e armazenadas 520 imagens

da parte dorsal da mão direita de 52 diferentes usuários, após isto foi realizada a extração

de uma região de interesse denida pela maior porção quadrada da parte dorsal da mão. Em

seguida foram aplicados três diferentes métodos de equalização e suavização da imagem na

fase de pré-processamento, para posterior extração das características das veias com a uti-

lização da transformada de Curvelet na função wrapping e aplicação do algoritmo Padrão

Binário Local (LBP) para a digitalização do conteúdo extraído. No próximo passo, uma análise

de identicação foi realizada usando cinco diferentes métodos de classicação. Em primeiro

lugar, foi utilizado um classicador probabilístico Naive Bayes, em seguida um classicador

baseado em aprendizagem por regressão linear Kernel Nearest Neighbor (K-NN), ainda foram

aplicados dois algoritmos baseados em árvores de decisão C4.5 e Random Forest e nalmente

um algoritmo baseado em redes neurais articiais Multilayer Perceptron. Os classicadores

foram testados utilizando o método de validação cruzada, e as informações foram separadas

por 10 folds sendo que 10% dos dados foram utilizados para treino e 90% dos dados foram

utilizados para teste. Com os mesmos dados resultantes da fase de pré-processamento, dois

algoritmos foram aplicados para seleção de características, sendo o primeiro baseado na cor-

relação da função de seleção de recursos e o segundo na seleção de atributos pelo conceito

da entropia dos dados. Os resultados provam que o método de equalização de histograma

adaptativa por limite de contraste na fase de pré-processamento apresentou os melhores re-

sultados. Quanto aos classicadores, os melhores resultados foram obtidos com o uso da rede

neural articial proposta e as taxas de falsa aceitação (FAR) e falsa rejeição (FRR) obtidas

após o processamento foram estimadas em 0,038 e 0,003 respectivamente. Foram realizados

ainda testes com a quantidade mínima de imagens necessárias para identicação de pessoas e

chegou-se ao valor de cinco imagens por usuário. Finalmente a avaliação da permanência do

sistema biométrico foi realizada através da análise de imagens capturadas após um ano da pri-

meira análise e os resultados mostram que o sistema é robusto, apesar das imagens conterem

pequenas alterações, proporcionais às variações do índice de massa corporal dos usuários.

Palavras-chave: Biometria. Processamento de Imagens. Inteligência Articial. Mineração

de dados. Redes Neurais.

Page 8: proposicão de um algoritmo para identificação biométrica de ...

ABSTRACT

The system has been assembled as a prototype then were acquired and storaged 520 images

from the dorsal side of the right hand of 52 dierent users, and then is accomplished an

extracting of a region of interest dened by the largest square portion of the dorsal hand. Then

a pre-processing of image has been applied using three dierent methods of image equalization

and smoothing for later extraction of the veins characteristics using the Curvelet Transform in

"wrapping" function and application of the Local Binary Pattern algorithm (LBP) for scanning

the extracted content. On the next step, an identication analysis has been performed using

ve dierent classication methods. First, a probabilistic Naive Bayes classier was used,

second a classier based on linear regression called Kernel Nearest Neighbor (K-NN) was

applied, third and fourth two algorithms based on decision trees, C4.5 and Random Forest

were tested, and nally an algorithm based on articial neural networks Multilayer Perceptron

was performed. The classiers have been tested using the cross-validation method, and the

information was separated by 10 folds wherein 10% of the data were used for training and

90% of the data were used for testing. From the same data resulted of the pre-processing

step, two algorithms have been applied for selection features, the rst based on the correlation

based feature selection and the second in selecting attributes based to the concept of entropy

data. The results proof that the equalization method by contrast limited adaptive histogram

equalization, in the pre-processing stage, shown the best results. From the application of

classiers, the best result was achieved by using the articial neural network proposal and the

false acceptance rate (FAR) and false rejection rate (FRR) found through the processing were

estimated in 0.038 and 0.003 respectively. Tests were also performed to assess the minimum

amount of images needed to identify people and as result ve images per user were found as

the ideal number. Finally, the assessment of the biometric system permanence was performed

using acquired images after a year of the rst analysis and the results shown that the system is

robust, even that the pictures contain minor changes proportional to index variations of body

mass of users.

Keywords: Biometry. Image Processing. Articial Intelligence. Data Mining. Neural

Networks

Page 9: proposicão de um algoritmo para identificação biométrica de ...

LISTA DE ILUSTRAÇÕES

Figura 1 Fotograa do Edifício Citi Center / Citibank . . . . . . . . . . . . . . 16

Figura 2 Curva de análise da qualidade de um sistema biométrico . . . . . . . . 27

Gráco 1 Quantidade de trabalhos publicados por ano de publicação . . . . . . . 56

Gráco 2 Métodos de extração utilizados . . . . . . . . . . . . . . . . . . . . . 57

Gráco 3 Algoritmos utilizados na extração de características das imagens . . . . 58

Gráco 4 Algoritmos classicadores utilizados . . . . . . . . . . . . . . . . . . . 59

Gráco 5 Padrões de veias analisados . . . . . . . . . . . . . . . . . . . . . . . 60

Figura 3 Imagem de uma mão obtida com ltro IR de 850nm . . . . . . . . . . 62

Figura 4 Conjunto de LEDs na base do protótipo . . . . . . . . . . . . . . . . 65

Figura 5 Base com pinos para posicionamento da mão . . . . . . . . . . . . . . 66

Figura 6 Resultados do método de invólucro . . . . . . . . . . . . . . . . . . . 76

Figura 7 Conjunto de vizinhança do algoritmo LBP . . . . . . . . . . . . . . . 77

Figura 8 Fluxograma do algoritmo para extração de características . . . . . . . 79

Figura 9 Funcionamento do algoritmo CFS . . . . . . . . . . . . . . . . . . . . 81

Figura 10 Fluxograma do processo de classicação dos dados . . . . . . . . . . . 93

Figura 11 Amostra de imagem adquirida com nome atribuído . . . . . . . . . . 95

Figura 12 Extração da região de interesse ROI . . . . . . . . . . . . . . . . . . . 96

Figura 13 Equalização global do histograma da imagem . . . . . . . . . . . . . . 97

Figura 14 Mapeamento e ajuste de intensidade de cinza . . . . . . . . . . . . . 98

Figura 15 Equalização de histograma adaptativa por limite de contraste . . . . . 99

Figura 16 Resultados dos processos de melhoramento do contraste . . . . . . . . 100

Gráco 6 Resultados com o uso do classicador Naive Bayes . . . . . . . . . . . 106

Gráco 7 Resultados com o uso do classicador K-NN . . . . . . . . . . . . . . 107

Gráco 8 Resultados com o uso do classicador C4.5/J48 . . . . . . . . . . . . 107

Gráco 9 Resultados com o uso do classicador Random Forest . . . . . . . . . 108

Gráco 10 Resultados com classicador Naive Bayes utilizando SUAE . . . . . . . 111

Gráco 11 Resultados com classicador K-NN utilizando SUAE . . . . . . . . . . 111

Gráco 12 Resultados com classicador C4.5/J48 utilizando SUAE . . . . . . . . 112

Gráco 13 Resultados com classicador Random Forest utilizando SUAE . . . . . 112

Gráco 14 Resultados com classicador Naive Bayes utilizando CFS . . . . . . . 116

Gráco 15 Resultados com classicador K-NN utilizando CFS . . . . . . . . . . . 116

Gráco 16 Resultados com classicador C4.5/J48 utilizando CFS . . . . . . . . . 117

Page 10: proposicão de um algoritmo para identificação biométrica de ...

Gráco 17 Resultados com classicador Random Forest utilizando CFS . . . . . . 117

Figura 17 Rede neural articial criada no software WEKA . . . . . . . . . . . . 119

Gráco 18 Resultados obtidos na classicação por RNA . . . . . . . . . . . . . . 120

Gráco 19 Uso do classicador Naive Bayes com variação da quantidade de imagens123

Gráco 20 Uso do classicador K-NN com variação da quantidade de imagens . . 123

Gráco 21 Uso do classicador C4.5/J48 com variação da quantidade de imagens 124

Gráco 22 Uso do classicador Random Forest com variação da quantidade de

imagens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

Figura 18 Classicação por RNA com variação na quantidade de imagens . . . . 125

Gráco 23 Relação de variação do IMC com variação das imagens em um ano . . 128

Figura 19 Comparação dos resultados obtidos . . . . . . . . . . . . . . . . . . . 130

Page 11: proposicão de um algoritmo para identificação biométrica de ...

LISTA DE TABELAS

Tabela 1 Resultados da análise comparativa entre Wavelet, Curvelet e Ridgelet . 72

Tabela 2 Quantidade de características extraídas por imagem . . . . . . . . . . 100

Tabela 3 Tempos envolvidos na binarização das subimagens com LBP . . . . . . 101

Tabela 4 Quantidade de características extraídas com algoritmo CFS . . . . . . 101

Tabela 5 Quantidade de características extraídas com algoritmo SUAE . . . . . 102

Tabela 6 Resultados obtidos com o uso do classicador Naive Bayes . . . . . . 104

Tabela 7 Resultados obtidos com o uso do classicador K-NN . . . . . . . . . 104

Tabela 8 Resultados obtidos com o uso do classicador C4.5/J48 . . . . . . . . 105

Tabela 9 Resultados obtidos com o uso do classicador Random Forest . . . . . 105

Tabela 10 Resultados com o classicador Naive Bayes e algoritmo SUAE . . . . . 109

Tabela 11 Resultados com o classicador K-NN e algoritmo SUAE . . . . . . . . 109

Tabela 12 Resultados com o classicador C4.5/J48 e algoritmo SUAE . . . . . . 110

Tabela 13 Resultados com o classicador Random Forest e algoritmo SUAE . . . 110

Tabela 14 Resultados com o classicador Naive Bayes e algoritmo CFS . . . . . . 113

Tabela 15 Resultados com o classicador K-NN e algoritmo CFS . . . . . . . . . 114

Tabela 16 Resultados com o classicador C4.5/J48 e algoritmo CFS . . . . . . . 114

Tabela 17 Resultados com o classicador Random Forest e algoritmo CFS . . . . 115

Tabela 18 Quantidade de neurônios articiais criados na classicação por RNA . . 118

Tabela 19 Resultados com o classicador RNA e algoritmo CFS . . . . . . . . . 120

Tabela 20 Classicador Naive Bayes com variação da quantidade de imagens . . 121

Tabela 21 Classicador K-NN com variação da quantidade de imagens . . . . . . 121

Tabela 22 Classicador C4.5/J48 com variação da quantidade de imagens . . . . 122

Tabela 23 Classicador Random Forest com variação da quantidade de imagens . 122

Tabela 24 Classicador MLP com variação da quantidade de imagens . . . . . . 125

Tabela 25 Dados dos usuários avaliados . . . . . . . . . . . . . . . . . . . . . . 126

Tabela 26 Variações das imagens no período de um ano . . . . . . . . . . . . . . 127

Tabela 27 Resultados obtidos com acréscimo de 17 imagens . . . . . . . . . . . 128

Tabela 28 Testes dos algoritmos de suavização de imagens . . . . . . . . . . . . 129

Tabela 29 Análise comparativa dos resultados de outros autores . . . . . . . . . 129

Tabela 30 Análise comparativa dos resultados de outros sistemas biométricos . . 131

Page 12: proposicão de um algoritmo para identificação biométrica de ...

LISTA DE ABREVIATURAS E SIGLAS

ABS Acrilonitrila butadieno estireno

ASF Alternating Sequential Filter

BACnet Building Automation and Control Networks

BPV Border Pixel Vector

BTG British Technology Group

CASIA Chinese Academy of Sciences Institute of Automation

CCD Charge-coupled device

CFC Clorouorcarbono

CFS Correlation-based Feature Selection

CFTV Circuitos Fechados de Televisão

CLAHE Contrast Limited Adaptive Histogram Equalization

CNN Cellular Neural Networks

CPDA Chord to point distance accumulation

CRC Collaborative Representation-Based Classication

DAT Digital Audio Tape

DC Direct Current

DNA Deoxyribonucleic Acid

DoG Dierence of Gaussians

EEPROM Electrical-Erasable Programmable Read-Only Memory

EER Equal Error Rate

ELGBPHS Enhanced Local Gabor Binary Patterns Histogram Sequence

EPROM Erasable Programmable Read-Only Memory

FAR False Acceptance Rate

FDCT Fast Discret Curvelet Transform

FFT Fast Fourier Transform

FIR Far Infrared

FPGA Field Programmable Gate Array

FPVP Feature points of the vein patterns

FRR False Rejection Rate

FSO Free Space Optics

HC Hidrocarbono

HD Hard Disk

HFC Hidroclorouorcarbono

Page 13: proposicão de um algoritmo para identificação biométrica de ...

HFO Tetrauorpropano

HVAC Heating, ventilation and air conditioning

IBI Intelligent Buildings Institute

ICA Independent Component Analysis

IFFT Inverse Fast Fourier Transform

IMC Índice de Massa Corpórea

IP Internet Protocol

IR Infrared

JPEG Joint Photographics Experts Group

KNN Kernel Nearest Neighbor

LBP Local Binary Pattern

LDA Linear Discriminant Analysis

LDP Local Derivative Pattern

LDR Light Dependent Resistor

LED Light Emitting Diode

LEM Line Edge Map

LONworks Local Operating Network

LRT Localized Radon Transform

M-LBP Modied Local Binary Pattern

MDF Medium Density Fiberboard

MHD Modied Hausdor Distance

MIAS Mammographic Image Analysis Society

MLP Multi Layer Perceptron

MRF Multiresolution lter

NCUT North China University of Technology

NIR Near Infrared

NMF Non-negative Matrix Factorization

PCA Principal Component Analysis

PIN Personal Identication Number

PLBP Partition Local Binary Pattern

POC Phase Only Correlation

PVC Polyvinyl chloride

RFID Radio Frequency Identication

RGB Red Green Blue

RJ45 Registered Jack 45

ROC Receiver Operating Characteristic

Page 14: proposicão de um algoritmo para identificação biométrica de ...

ROI Region of Interest

SCM Single Chip Micyoco

SIFT Scale-Invariant Feature Transform

SNR Signal-to-noise ratio

SSD Solid-State Drive

SUAE Symmetrical Uncert Attribute Eval

TIFF Tagged Image File Format

TSE Tribunal Superior Eleitoral

TV Total Variation

USFFT Unequally Spaced Fast Fourier Transform

UTP Unshielded Twisted Pair

VDU Visual Display Unit

VHS Video Home System

WEKA Waikato Environment for Knowledge Analysis

Page 15: proposicão de um algoritmo para identificação biométrica de ...

SUMÁRIO

1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1.1 OBJETIVOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

1.2 JUSTIFICATIVA E HIPÓTESE . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

1.3 METODOLOGIA DA PESQUISA . . . . . . . . . . . . . . . . . . . . . . . . . . 18

1.4 ESTRUTURA DO TRABALHO . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2 AUTOMAÇÃO PREDIAL E SISTEMAS DE SEGURANÇA . 20

2.1 CONTROLE DE ILUMINAÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.2 CONTROLE DE TEMPERATURA - AR CONDICIONADO . . . . . . . . . . . . 21

2.3 SISTEMAS DE DE DETECÇÃO E ALARMES A INCÊNDIOS . . . . . . . . . . . 21

2.4 SISTEMAS DE SEGURANÇA PERIMETRAL E INTERNA . . . . . . . . . . . . 22

2.5 CIRCUITOS FECHADOS DE TELEVISÃO - CFTV . . . . . . . . . . . . . . . . 23

2.5.1 Sistemas analógicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.5.2 Sistemas digitais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.6 REDES PARA AUTOMAÇÃO DE PRÉDIOS INTELIGENTES . . . . . . . . . . . 24

2.7 CONTROLE DE ACESSO EM EDIFíCIOS INTELIGENTES . . . . . . . . . . . . 24

2.7.1 Cartões inteligentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.7.2 Biometria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.7.2.1 Reconhecimento da impressão digital . . . . . . . . . . . . . . . . . . . . . . 28

2.7.2.2 Reconhecimento da íris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.7.2.3 Reconhecimento da face . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.7.2.4 Geometria das mãos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.7.2.5 Reconhecimento da voz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.7.2.6 Reconhecimento da assinatura . . . . . . . . . . . . . . . . . . . . . . . . . 33

2.7.2.7 Considerações sobre os principais algoritmos . . . . . . . . . . . . . . . . . . 33

3 RECONHECIMENTO DE PADRÕES DE VEIAS DAS MÃOS 35

3.1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.2 REVISÃO DA LITERATURA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.3 CONCLUSÕES FINAIS SOBRE A REVISÃO BIBLIOGRÁFICA . . . . . . . . . . 55

4 MATERIAIS E MÉTODOS . . . . . . . . . . . . . . . . . . . . . . . . . 61

4.1 PROTÓTIPO PARA AQUISIÇÃO DAS IMAGENS . . . . . . . . . . . . . . . . . 61

4.1.1 Sistema de iluminação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

4.1.2 Posicionadores das mãos . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

Page 16: proposicão de um algoritmo para identificação biométrica de ...

4.1.3 Equalização global do histograma . . . . . . . . . . . . . . . . . . . . . . 67

4.1.4 Mapeamento e ajuste de intensidade de cinza . . . . . . . . . . . . . . . 68

4.1.5 Equalização de histograma adaptativa por limite de contraste . . . . . 69

4.2 EXTRAÇÃO DAS CARACTERíSTICAS BIOMÉTRICAS . . . . . . . . . . . . . . 70

4.2.1 Transformada Curvelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

4.2.2 Transformada Curvelet digital . . . . . . . . . . . . . . . . . . . . . . . . 73

4.2.3 Transformada Digital Curvelet via invólucro . . . . . . . . . . . . . . 74

4.3 PROCESSO DE MONTAGEM DO VETOR DE CARACTERíSTICAS . . . . . . . 76

4.3.1 Operador LBP - Padrões binários locais . . . . . . . . . . . . . . . . . 76

4.4 SELEÇÃO DE ATRIBUTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

4.4.1 Algoritmo CFS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

4.4.2 Algoritmo SUAE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

4.5 CLASSIFICADORES PARA AVALIAÇÃO DOS ALGORITMOS PROPOSTOS . . . 83

4.5.1 Métodos Bayesianos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

4.5.2 Métodos de aprendizado preguiçoso . . . . . . . . . . . . . . . . . . . . 85

4.5.3 Métodos por árvores de decisão . . . . . . . . . . . . . . . . . . . . . . . 87

4.5.3.1 Algoritmo Random Forest . . . . . . . . . . . . . . . . . . . . . . . . . . 87

4.5.3.2 Algoritmo C4.5/J48 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

4.5.4 Métodos baseados em Redes Neurais Articiais . . . . . . . . . . . . . . 89

4.5.4.1 Redes Neurais articiais MLP . . . . . . . . . . . . . . . . . . . . . . . . . . 89

4.5.5 Método de validação cruzada . . . . . . . . . . . . . . . . . . . . . . . . . 91

5 RESULTADOS E DISCUSSÕES . . . . . . . . . . . . . . . . . . . . . 94

5.1 AQUISIÇÃO DE IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

5.2 PRÉ-PROCESSAMENTO DAS IMAGENS . . . . . . . . . . . . . . . . . . . . . 95

5.3 RESULTADOS OBTIDOS PARA SUAVIZAÇÃO DE IMAGENS . . . . . . . . . . 96

5.3.1 Equalização global do histograma . . . . . . . . . . . . . . . . . . . . . . 96

5.3.2 Mapeamento e ajuste de intensidade de cinza . . . . . . . . . . . . . . . 97

5.3.3 Equalização adaptativa por limite de contraste . . . . . . . . . . . . . . 97

5.4 EXTRAÇÃO DE CARACTERíSTICAS . . . . . . . . . . . . . . . . . . . . . . . 98

5.5 PROCESSO DE DIGITALIZAÇÃO DAS IMAGENS. . . . . . . . . . . . . . . . . 100

5.6 SELEÇÃO DE ATRIBUTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

5.7 RESULTADOS OBTIDOS COM OS CLASSIFICADORES . . . . . . . . . . . . . 102

5.7.1 Classicação de dados sem uso de técnicas de seleção . . . . . . . . . . 103

5.7.2 Classicação de dados após algoritmo SUAE . . . . . . . . . . . . . . . 108

5.7.3 Classicação de dados após algoritmo CFS . . . . . . . . . . . . . . . . 113

Page 17: proposicão de um algoritmo para identificação biométrica de ...

5.8 ANÁLISE DE CLASSIFICAÇÃO COM REDE NEURAL ARTIFICIAL . . . . . . . 115

5.9 ANÁLISE DA QUANTIDADE DE IMAGENS UTILIZADAS . . . . . . . . . . . . 119

5.10 ANÁLISE DE PERMANÊNCIA DOS DADOS . . . . . . . . . . . . . . . . . . . . 125

5.11 ANÁLISE DOS MÉTODOS DE SUAVIZAÇÃO DAS IMAGENS . . . . . . . . . . 128

5.12 ANÁLISE COMPARATIVA COM RESULTADOS DE OUTROS AUTORES . . . . 129

5.13 ANÁLISE COMPARATIVA COM OUTRAS TÉCNICAS BIOMÉTRICAS . . . . . 130

6 CONCLUSÕES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

APÊNDICE A Trabalho publicado . . . . . . . . . . . . . . . . . . . . 135

REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

Page 18: proposicão de um algoritmo para identificação biométrica de ...

16

1 INTRODUÇÃO

A automação predial iniciou-se na década de 70 com a implantação de sistemas automáticos

de controle do ar condicionado, conhecidos como sistemas de Heating, ventilation and air

conditioning (HVAC), em seguida, na década de 80 o conceito de prédio inteligente surgiu

devido à crise energética americana e então começam a aparecer sistemas de controle de

segurança e de iluminação, visando a eciência energética. Em 1986, o Brasil adota o conceito

de prédio inteligente com o lançamento do CitiCorp Center/Citibank na avenida Paulista, em

São Paulo, projetado pelo arquiteto Gian Carlo Gasperini, sendo o primeiro edifício a adotar

sistemas de automação. (PRUDENTE, 2011)

Abaixo, na Figura 1 pode-se visualizar uma fotograa do edifício Citi Center.

Figura 1 - Fotograa do Edifício Citi Center / Citibank

Fonte: (BUILDINGS, 2014)

De acordo com o Intelligent Buildings Institute (IBI), dene-se como edifício inteligente os

que apresentam ambiente produtivo e econômico, enfatizando ao menos os quatro elementos

básicos: (IBI, 1987)

a) Estrutura: elementos da arquitetura, acabamentos de interiores e exteriores, mobiliários

e componentes estruturais;

b) Sistemas: controle de temperatura, de ventilação, de iluminação, de segurança e energia

elétrica;

c) Serviços: comunicação de dados, voz e imagem;

d) Gerenciamento: ferramentas para controlar o edifício, bem como das inter-relações entre

eles.

Ao item de sistemas, atualmente os prédios inteligentes já são projetados com a ideia de

redução de consumo dos recursos naturais. As fachadas são geralmente compostas por vidros

que permitem a entrada de luz natural, inclusive com a implantação de vidros inteligentes,

Page 19: proposicão de um algoritmo para identificação biométrica de ...

17

que reduzem ou aumentam sua luminância eletronicamente, fazendo com que a quantidade

de luz em um determinado ambiente seja constante. Lâmpadas de Light Emitting Diode

(LED) são instaladas em substituição às lâmpadas incandescentes pois apresentam consumo

reduzido e tempo de vida útil elevado quando comparadas às lâmpadas uorescentes, além

de não conter em sua estrutura o mercúrio, visto pelos ambientalistas como componente

totalmente proibitivo. Ainda existe o fato de que este tipo de lâmpada gera menos calor,

economizando indiretamente o consumo de energia elétrica em sistemas de ar condicionado.

(TECHMUNDO, 2012)

Existem ainda os reatores dimerizáveis para lâmpadas uorescentes, ou seja, pode-se con-

trolar a quantidade de luz emitida pela lâmpada, e estes tem em sua construção física sensores

de luz que fazem com que o controle de iluminação seja automático pois o mesmo trabalha

em malha fechada, vericando a quantidade de luz proveniente do exterior e ajustando a lu-

minância pré-determinada. O tema da iluminação já foi muito difundido nos meios acadêmico

e industrial, inclusive gerando diversas dissertações de mestrado, teses de doutorado e artigos

técnicos apresentados em congressos. (CARDOSO, 2008)

Sobre os sistemas de controle de temperatura, até os anos 80 distinguiam-se sistemas com

ventilação, ar condicionado e aquecedores, estes eram equipamentos independentes. Atual-

mente todos estes sistemas foram integrados ao equipamento de ar condicionado, que incorpo-

rou o aquecimento do ar à sua característica. Sistemas automatizados são utilizados visando

tanto o conforto quanto a redução do consumo de energia elétrica e a base de toda a auto-

mação está no uso dos aparelhos de ar condicionado, que possuem diversos recursos como por

exemplo o controle de suas características feito remotamente pela internet ou até mesmo por

aparelhos celulares. (MILLER; MILLER, 2014)

Na área de segurança, os principais sistemas adotados em edifícios inteligentes são os Cir-

cuitos Fechados de Televisão (CFTV), que no passado eram analógicos, com pouca resolução

e com gravações em tas Video Home System (VHS), e hoje são sistemas inteligentes digitais,

controlados por softwares; os sistemas de controle perimetral, com sensores de infravermelho,

ultrassom, de quebra de vidro, cercas eletricadas e diversos outros dispositivos que visam evi-

tar a invasão do edifício; os sistemas de controle e combate a incêndios, que praticamente se

resumem aos sensores de calor e detectores de fumaça interligados a uma central de controle

microprocessada e ainda os sistemas de controle de acesso, que podem ser implementados

desde a leitura de cartões com códigos de barras para liberação física de catracas a até os

sistemas mais avançados de leitura biométrica, que tiveram início com a leitura de impressões

digitais, foram substituídos pelos sistemas de leitura de geometria das mãos, geometria das

faces, padrão de íris e que hoje se encontra concentrado no estudo do padrão de veias das

mãos, dedos e pulso. Todos estes sistemas devem ser interligados em um sistema inteligente, e

Page 20: proposicão de um algoritmo para identificação biométrica de ...

18

diversos protocolos de comunicação foram implementados para que isto seja realizado. (BÓ,

1995; BOLZANI, 2004)

A eciência energética também é um tema de grande signicância em edifícios inteligentes, e

o controle efetivo de todos os equipamentos elétricos é realizado por dispositivos controladores

de carga, entre outros. Um sistema ideal deve integrar os dispositivos em uma unidade de

controle para o devido gerenciamento de consumo de energia em um edifício inteligente.

(PINTO; MORAES; BRANDÃO JR, 2000)

Os estudos sobre biometria focam principalmente a segurança no controle de acesso em

substituição aos crachás com códigos de barras, no entanto, os dispositivos existentes utilizam

algoritmos patenteados, e sua estrutura só é comentada em forma de uxogramas, fazendo com

que a reprodução dos processos seja impedida. De acordo com estas informações, sistemas

biométricos são largamente estudados pelas universidades no intuito de tornar os sistemas

mais ecientes ou mais rápidos quando a aplicação é feita em bases de informações com alto

número de usuários. (DIAS, 2009)

1.1 OBJETIVOS

Desenvolver um algoritmo biométrico de identicação de pessoas baseado nos padrões de

veias das mãos para aplicação no controle de acesso físico de pessoas em edifícios inteligentes.

1.2 JUSTIFICATIVA E HIPÓTESE

Os sistemas biométricos utilizam algoritmos matemáticos patenteados e suas estruturas não

são expostas. Sistemas deste tipo apresentam alto custo e a proposta é de se desenvolver um

algoritmo que possa identicar pessoas no controle de acesso em edifícios inteligentes.

1.3 METODOLOGIA DA PESQUISA

Todas as informações contidas nesta tese são provenientes de diversas fontes, descritas

abaixo:

a) Trabalhos de conclusão de curso, monograas, dissertações e teses da área de engenharia;

b) Artigos cientícos publicados em congressos nacionais e internacionais;

c) Pesquisas na internet;

d) Consulta a manuais de equipamentos já existentes;

e) Consulta à normas e artigos de órgãos reguladores;

f) Livros e revistas especializadas.

Page 21: proposicão de um algoritmo para identificação biométrica de ...

19

1.4 ESTRUTURA DO TRABALHO

O capítulo 1 apresenta a introdução do tema e o objetivo deste trabalho, com sua devida

justicativa e estrutura.

O capítulo 2 apresenta como é constituída uma automação predial, com detalhes sobre

sistemas de iluminação, controle de temperatura, sistemas de segurança (detecção e combate

a incêndios, segurança interna e perimetral, circuitos fechados de televisão, e redes de comu-

nicação para interligar os diversos dispositivos), e ainda o controle de acesso, detalhando os

sistemas de identicação por cartões, enfocando no m do capítulo a análise dos sistemas

biométricos.

O capítulo 3 apresenta o tema escolhido para estudo e sua devida revisão bibliográca que

consiste no desenvolvimento de um sistema biométrico para controle de acesso de pessoas em

edifícios inteligentes utilizando os padrões de veias das mãos.

O capítulo 4 apresenta o desenvolvimento do trabalho (materiais e métodos) que é a criação

de um novo dispositivo biométrico capaz de realizar a captura de imagens infravermelhas

das mãos para obter imagens das veias e a análise matemática destes dados para a devida

identicação de pessoas. Ainda são apresentados os algoritmos para equalização de contraste

das imagens, para classicação dos dados e para validação dos resultados utilizando técnicas

de predição.

O capítulo 5 apresenta os resultados e discussões sobre cada técnica aplicada ao estudo

desta tese.

O capítulo 6 conclui o estudo realizado, apresentando as principais características do projeto

proposto nesta tese, com os resultados nais e as conclusões.

Page 22: proposicão de um algoritmo para identificação biométrica de ...

20

2 AUTOMAÇÃO PREDIAL E SISTEMAS DE SEGURANÇA

A automação predial constitui-se de diversos elementos como o efetivo controle de ilumina-

ção, controle do ar ambiente (visando tanto conforto quanto eciência energética), sistemas

de segurança que incluem detecção e combate a incêndios, segurança interna e perimetral,

sistemas de vigilância por câmeras, controle de acesso físico através do uso de leitores de

cartões instalados em catracas e torniquetes ou leitores biométricos e a integração de todos

estes sistemas através de redes de comunicação com seu devido controle de acesso lógico.

(IPOG, 2013)

Todos estes tópicos são comentados abaixo:

2.1 CONTROLE DE ILUMINAÇÃO

O controle de iluminação em edifícios inteligentes pode se caracterizar por três fatores

fundamentais: Segurança, redução dos recursos naturais utilizados (eciência energética) e

conforto. Quanto à segurança, o controle efetivo da iluminação em corredores, salas, e locais

onde as pessoas possam circular livremente pode prevenir acidentes, e em áreas externas, pode

prevenir assaltos ou outros quaisquer tipos de atos de violência. Quanto à eciência energética,

a economia de energia é realizada através do uso de lâmpadas que consomem menos energia,

como por exemplo os LEDs ou até o uso de lâmpadas inteligentes do tipo HUE (do inglês

matiz) que podem ser controladas remotamente utilizando aparelhos celulares ou qualquer

outro equipamento de comunicação, atendendo assim além da diminuição do consumo de

energia, o conforto do usuário. (PHILIPS, 2014; PINTO; MORAES; BRANDÃO JR, 2000)

O controle da iluminação externa com enfoque na estética predial (iluminação de jardins,

paredes ou outras estruturas) normalmente é realizada utilizando sistemas baseados em LEDs,

e a fonte principal de energia é obtida através da captação de luz solar por placas especícas.

Nestes sistemas, as placas solares, conhecidas tecnicamente por painéis fotovoltaicos, conver-

tem a luz em energia elétrica, e esta é armazenada em baterias. Durante a noite, sensores

de luz (normalmente compostos por Light Dependent Resistor (LDR) devido ao seu baixo

custo) fazem com que controladores liguem automaticamente os conjuntos de iluminação.

Apesar da nalidade destes sistemas ser puramente estética, o efetivo controle dos mesmos

e a utilização de sistemas que aproveitam a luz solar ou outro qualquer tipo de grandeza

que possa ser convertida em energia elétrica caracteriza um sistema de eciência energética.

Os circuitos responsáveis por captação da energia proveniente das placas solares e devido

armazenamento nas baterias podem ser simples controladores de corrente ou circuitos mais

complexos como por exemplo placas com lógica fuzzy para aproveitamento máximo da luz

Page 23: proposicão de um algoritmo para identificação biométrica de ...

21

solar em qualquer condição de luminosidade ou até por redes neurais articiais no controle de

sistemas de iluminação híbridos. (CARDOSO; AO, 2008; WANG; WU, 2011)

2.2 CONTROLE DE TEMPERATURA - AR CONDICIONADO

Os equipamentos basicamente são compostos de uma unidade evaporadora e uma unidade

condensadora, responsável pela circulação do gás refrigerante. A unidade condensadora con-

tém o compressor que faz com que o gás refrigerante circule pelo sistema. Ao passar por

estrangulamento antes da unidade evaporadora, o gás aumenta sua velocidade e causa resfri-

amento de uma serpentina de cobre, em seguida um ventilador força a passagem de ar por

esta serpentina, resfriando-o e lançando-o no ambiente a ser controlado. Ao fazer isto, o

uido refrigerante se aquece, e é resfriado na unidade condensadora. Para que este mesmo

equipamento aqueça um ambiente, é feita a inversão do uxo de gás, fazendo com que o

mesmo chegue aquecido à unidade evaporadora. O princípio de funcionamento praticamente

não mudou nos últimos dez anos, apenas o gás refrigerante foi modicado, pois desde 1932

utilizava-se o gás 22 Clorouorcarbono (CFC) mais conhecido como Freon, e devido a sua

propriedade de destruir a camada de ozônio, o mesmo deixou de ser utilizado nos anos 90. A

partir de 1996, o protocolo de Montreal obrigou o uso do gás R134A Hidroclorouorcarbono

(HFC) e o 600A Hidrocarbono (HC) em sistemas de ar condicionado domésticos e de pequeno

porte, e o mesmo agora começa a ser trocado pelo gás 1234YF Tetrauorpropano (HFO),

pois este é dissipado na atmosfera em apenas 11 dias, enquanto que os outros demoram a se

dissipar aumentando dessa forma o efeito estufa e prejudicando o meio ambiente. O critério de

automação mais importante nesta área é a introdução do controle de velocidade dos motores

acoplados ao compressor dos equipamentos de ar condicionado. Nos sistemas convencionais,

a partida do motor é direta, causando forte ruído e altíssimo consumo de energia elétrica,

enquanto que nos modelos atuais disponíveis existem os modelos inverter, que utilizam inver-

sores de frequência para o controle de partida e rotação destes motores, diminuindo assim o

ruído gerado e o consumo de energia. (SILVA; SILVA, 2008)

2.3 SISTEMAS DE DE DETECÇÃO E ALARMES A INCÊNDIOS

Uma das normas a serem obedecidas em instalações prediais é a NBR17240 que diz respeito

ao sistema de detecção e combate ao incêndio. Segundo a norma, trata-se de um conjunto

de equipamentos capazes de detectar princípios de incêndio, seja por vericação de calor

ou por presença de fumaça, indicar às pessoas a existência da situação de risco através do

acionamento de indicações sonoras e visuais, e ainda controlar os sistemas automáticos para

Page 24: proposicão de um algoritmo para identificação biométrica de ...

22

o devido combate do incêndio. (PINHEIRO, 2010)

O conjunto de equipamentos normalmente utiliza um controlador dedicado que pode ser

microcontrolado e os diversos sensores são instalados em forma de laço (topologia em anel)

que devem ter número máximo de vinte dispositivos por laço segundo a norma, retornando

sinais provenientes do campo em que estão instalados, e estes devem ser capazes de:

a) Gerar sinais de alerta tanto para os usuários do local quanto das corporações públicas

responsáveis pelo combate do incêndio;

b) Orientar adequadamente os usuários sobre as possíveis rotas de fuga disponíveis;

c) Controlar os níveis de água dos sistemas de armazenamento próprio para combate de

incêndios, assim como controlar a pressão mínima do sistema;

d) Desligar os sistemas elétricos evitando assim que curto-circuitos possam aumentar ainda

mais os incêndios;

e) Os elevadores devem ser posicionados no andar diretamente abaixo do incêndio para

evitar que o fogo suba pelo poço, ou ainda posicionar o elevador no primeiro andar evitando

assim que os usuários possam utilizá-lo cando presos após desenergização do local;

f) Ligar nas escadas sistemas de insuamento de ar para que os usuários possam respirar

nestes locais de fuga;

h) Ligar e controlar bombas que deverão pressurizar a linha de água para combate ao

incêndio. (JÚNIOR, 2013)

Diversos dispositivos podem ser utilizados para a devida detecção de incêndio. Os princi-

pais sensores utilizados são: detectores de temperatura, detectores velocimétricos, detectores

lineares, detectores de fumaça, detectores por aspiração e detectores Multisensor.

2.4 SISTEMAS DE SEGURANÇA PERIMETRAL E INTERNA

Os sistemas de segurança perimetral e interna visam a proteção dos locais através da de-

tecção de possíveis invasões, distinguindo fatores de risco de outros fatores como a presença

de animais ou movimentação de plantas e árvores. Estes devem ter pequenas dimensões de

modo que sua presença não seja notada ou, se expostos, devem possuir características que

impeçam seu desligamento indevido ou ainda sua obstrução para que o ato criminoso não

seja detectado, e devem ser robustos o suciente para instalação externa sob condições de

intempérie.

Existem diversos sensores para esta nalidade, e os principais são: volumétricos, piezoe-

létricos, de movimento em vídeo, magnéticos, piroelétricos, detectores de quebra de vidro,

infravermelho ativo, micro-ondas e por análise de aproximação utilizando campo magnético.

Page 25: proposicão de um algoritmo para identificação biométrica de ...

23

2.5 CIRCUITOS FECHADOS DE TELEVISÃO - CFTV

Os sistemas de de captura de imagens conhecidos por CFTV, são compostos por câmeras

digitais ou analógicas instaladas no local onde se deseja aumentar o nível de segurança. Po-

dem possuir cabos ou podem emitir suas imagens via radiofrequência, sem a necessidade de

passagem de cabos. Os principais tipos de instalação destes equipamentos se baseiam na ins-

talação física utilizando cabo coaxial em sistemas com câmeras analógicas, e o armazenamento

destes dados é feito por equipamentos analógicos, como videocassetes gravando imagens em

tas de vídeo VHS, enquanto que seletores e multiplexadores fazem a divisão das imagens

das câmeras; em equipamentos modernos os sistemas são digitais e as câmeras wireless ou

ainda câmeras Internet Protocol (IP) que utilizam cabo par trançado Unshielded Twisted

Pair (UTP) e conectores Registered Jack 45 (RJ45) para instalação (padrão Ethernet) são

largamente utilizadas, e neste caso, podem fazer parte de uma rede de dados corporativa,

considerando as câmeras como hosts do sistema, por possuírem protocolo IP e permitirem

endereçamento individual para cada câmera. (GUIA DO CFTV, 2012)

2.5.1 Sistemas analógicos

Os principais acessórios que compõem estes sistemas são o quads que permitem a visuali-

zação de quatro imagens simultaneamente, permitindo a geração destas em um monitor para

que uma pessoa possa monitorar o ambiente a ser controlado. Além deste, existe o Time

Lapse que é um vídeo cassete dedicado a sistemas CFTV, capazes de armazenar até 960 ho-

ras de imagem em uma única ta VHS, e os multiplexadores que são quads mais poderosos,

permitindo até dezesseis câmeras ligadas simultaneamente e sendo monitoradas em tempo

real numa única imagem. O equipamento sequential permite que as imagens sejam trocadas

câmera a câmera em um tempo pré-determinado. (GUIA DO CFTV, 2012)

2.5.2 Sistemas digitais

A principal diferença nestes sistemas é a captação das imagens e seu devido armazenamento.

Câmeras digitais podem enviar suas imagens diretamente a um computador e este irá arma-

zenar a informação em Hard Disk (HD). As câmeras digitais possuem uma resolução muito

superior quando comparadas com as câmeras analógicas e o armazenamento das informações

não é prejudicado, pois apesar de se tratar de informações muito maiores por estarem em

um computador, passam por técnicas de compressão de dados antes de seu devido armazena-

mento. Existem sistemas digitais de grande porte que armazenam os dados em tas Digital

Page 26: proposicão de um algoritmo para identificação biométrica de ...

24

Audio Tape (DAT), e em sistemas mais atuais, em HDs do tipo Solid-State Drive (SSD).

As principais vantagens dos sistemas digitais são a alta qualidade das imagens capturadas,

possibilidade de monitoramento remoto utilizando a internet como meio físico e acessando as

imagens por meio de computadores ou smartphones; busca de imagens com maior facilidade

em um banco de imagens pois esta é realizada por eventos; geração de relatórios; utilização de

softwares que detectam movimento; proteção dos sistemas por senha e integração com outros

sistemas de segurança. (GUIA DO CFTV, 2012)

2.6 REDES PARA AUTOMAÇÃO DE PRÉDIOS INTELIGENTES

Diversos protocolos de comunicação são utilizados para comunicação de dispositivos de au-

tomação predial no intuito de integrar todos os equipamentos e disponibilizar informações aos

usuários, e estas informações podem ser de segurança ou de conforto. Dentre vários protocolos

utilizados, os mais comuns são o Building Automation and Control Networks (BACnet) e o

Local Operating Network (LONworks). Os meios físicos mais utilizados são o cabeamento elé-

trico de cobre, bra ótica e o próprio ar em sistemas wireless utilizando os protocolos Zigbee,

protocolos baseados nas normas IEEE 802.11 e Zigwave. (MONTEBELLER, 2006)

Em sistemas modernos conhecidos como Free Space Optics (FSO), a transmissão dos dados

pode ser realizada pelo ar com o carregamento das informações em feixes de luz ou laser, no

mesmo princípio de funcionamento da bra ótica sem a existência da própria bra, sendo um

recurso a ser usado em locais onde a passagem de cabeamento é impossível ou difícil de ser

implementada. (CARDOSO; BRANDÃO JR, 2007)

2.7 CONTROLE DE ACESSO EM EDIFÍCIOS INTELIGENTES

Em edifícios inteligentes automatizados, os principais sistemas de controle podem ser divi-

didos em duas categorias distintas, a seguir:

a) Acesso físico: são os sistemas de catracas, torniquetes e outros dispositivos utilizados

para o controle de acesso das pessoas. Nestes ambientes, o controle do acesso físico pode

ser realizado pela abordagem de um agente de segurança que visa identicar corretamente a

pessoa e vericar se esta tem permissão para entrar no local;

b) Acesso lógico diversos sistemas informatizados utilizam redes sem o e o acesso a estes

deve ser controlado através da digitação de senhas ou de identicação de pessoas por sistemas

biométricos (normalmente realizados por equipamentos portáteis).

Em ambos os casos, o controle utiliza diversos tipos de recursos e os mais utilizados são os

sistemas com cartões inteligentes e biometria para identicação ou autenticação da pessoa.

Page 27: proposicão de um algoritmo para identificação biométrica de ...

25

Neste trabalho, serão apresentados os dois sistemas com enfoque na biometria, pois trata-se

da proposta principal de desenvolvimento da tese.

2.7.1 Cartões inteligentes

Em sistemas de controle de acesso, ainda são usados cartões com código de barras e cartões

com tarjas magnéticas, no entanto, estes apresentam alta vulnerabilidade, pois os códigos de

barras podem ser gerados facilmente em sites da internet com o conhecimento do número

registrado no crachá, que em muitos casos trata-se do número de registro do colaborador da

empresa, número este que pode estar estampado no próprio crachá facilitando o acesso a esta

informação, e a tarja magnética perde seus dados quando em contato com equipamentos que

possam gerar algum tipo de campo magnético, como por exemplo o telefone celular. Para

resolver estes problemas, o Dr. Kunitaka Arimura patenteou o primeiro cartão inteligente

em 1970 no Japão, e este consistia basicamente de um plástico no formato de um cartão de

crédito ou cartão para acesso de contas bancárias, e em seu interior, um microprocessador e

memória para armazenamento e devido processamento dos dados do usuário, e estes ainda

podiam possuir contatos elétricos para acesso às informações com vida útil média de 10000

acessos ou ainda realizarem o acesso via redes de comunicação sem o. (MAMMASS, 2011)

Os dois principais materiais utilizados para a construção destes cartões são o Polyvinyl chlo-

ride (PVC) (não são recicláveis mas podem ser moldados) e o Acrilonitrila butadieno estireno

(ABS) (podem ser reciclados mas não são moldáveis), e em seus interiores estes são divididos

entre duas categorias, sendo os primeiros que utilizam apenas memória para armazenamento de

dados de identicação do usuário (normalmente Electrical-Erasable Programmable Read-Only

Memory (EEPROM) ou Flash Erasable Programmable Read-Only Memory (EPROM)) e os

cartões que utilizam além de memória, microprocessadores e microcontroladores capazes de

realizar operações. Estes são chamados de Smartcards memory e Smartcards processor, res-

pectivamente. A área de contato elétrico do cartão smartcard é denida pelo norma ISO/IEC

7816. (AENDENROOMER; HUANG, 2007)

Quanto aos cartões sem contato elétrico, a identicação dos dados é feita através de rádio

frequência conhecido pelo seu termo em inglês Radio Frequency Identication (RFID) sobre

proximidade de um equipamento leitor em até 10 centímetros, e são normalizados pela ISO/IEC

14443. São muito utilizados no transporte público e no controle de acesso por catracas que

possuem leitores para este tipo de cartão. Ainda existem cartões que conseguem enviar sinais

aos equipamentos leitores em distâncias de até um metro, normalizados pela ISO/IEC 15693.

(THOMASSON; BALDI, 1997)

Page 28: proposicão de um algoritmo para identificação biométrica de ...

26

2.7.2 Biometria

Biometria é uma palavra proveniente do grego que signica medida da vida e consiste

basicamente em medições de características humanas, que podem ser tanto físicas quanto

comportamentais e são utilizadas para identicação de pessoas. Através de sistemas biomé-

tricos é possível efetuar a devida identicação de uma pessoa, utilizando para isto a impressão

digital, geometria da face, geometria da mão, textura da íris, textura da retina, padrão de

voz, padrão de assinatura, tanto dinâmica quanto estática, padrão de veias das mãos e pulsos,

código genético Deoxyribonucleic Acid (DNA), entre outros. (BROMME, 2003)

Os diversos equipamentos existentes baseiam-se em sensores capacitivos, indutivos ou óticos,

e câmeras de baixo custo, todos utilizados para a aquisição de algum tipo de imagem ou

característica comportamental ou física do indivíduo, e são largamente utilizados em sistemas

de segurança para o devido controle de acesso, que pode ser físico ou lógico. (PINHEIRO,

2008)

Os seguintes critérios devem ser atendidos para que uma característica comportamental ou

física seja considerada uma técnica biométrica válida para uso em sistemas de identicação:

a) Universalidade todos os seres humanos devem possuir a característica em análise;

b) Distinção a característica em questão deve ser diferente de pessoa para pessoa;

c) Permanência durante a vida do indivíduo, esta característica não deve ter mudanças,

ou se existirem, devem ser mínimas;

d) Coletabilidade deve haver algum tipo de processo ou equipamento que consiga realizar

a leitura e armazenamento desta característica.

Quanto à qualidade do sistema adotado, existem ainda outros parâmetros a serem conside-

rados, como:

a) Desempenho a aquisição da característica e seu devido processamento devem ter tempos

razoáveis para uso comercial;

b) Aceitabilidade o método de aquisição destas características deve ser aceito pelo usuário

do sistema (menos invasível possível);

c) Segurança o sistema deve ser robusto o suciente para evitar possíveis fraudes. (MATYAS

V.; RIHA, 2003)

Em sistemas biométricos, é comum a utilização dos termos Autenticação e Identicação.

Estes dois métodos distintos são explicados a seguir:

Autenticação Biométrica Modo 1:1

O sistema primeiramente identica o usuário através do uso de um crachá com código de

barras, por um cartão magnético, crachá com tag do tipo RFID ou qualquer outro dispositivo

Page 29: proposicão de um algoritmo para identificação biométrica de ...

27

de propriedade do usuário, (este dado contido no dispositivo é comumente conhecido como

Personal Identication Number (PIN)) e a partir desta identicação, é feita a aquisição da

característica biométrica do indivíduo para efetuar a comprovação de que se trata da mesma

pessoa. Nestes sistemas, a biometria não é utilizada para identicação, e sim apenas para

validação de que o processo de identicação é consistente. A velocidade deste tipo de sistema

é muito alta, pois é apenas realizada uma validação cruzada entre dois dados (um dado

armazenado anteriormente e o dado momentâneo usado na autenticação), e não em um banco

de dados completo.

Identicação Biométrica Modo 1:N

O sistema biométrico extrai a característica da pessoa sem identicação prévia, e procura em

um banco de dados a similaridade mais próxima desta característica na tentativa de validar a

identicação. Nestes sistemas os algoritmos trabalham com taxas de coincidência e o progra-

mador do sistema escolhe a probabilidade estatística de validação, ou seja, a partir de qual

porcentagem de acerto pode ser denida a aceitação do indivíduo. Se este valor for muito

baixo, o sistema passa a validar identicações mesmo de pessoas não cadastradas e se este

valor for muito alto, o sistema passa a rejeitar a identicação mesmo de pessoas cadastradas.

Estes índices em biometria são conhecidos como falsas taxas de aceitação (False Acceptance

Rate (FAR)) e falsas taxas de rejeição (False Rejection Rate (FRR)), e em todos os sistemas

biométricos, o que se busca como sistema ideal é o ponto limiar entre estes dois índices,

também chamado de ponto de threshold. A taxa de erro igual (Equal Error Rate (EER)) é

exatamente o ponto de threshold ideal onde a FAR é igual a FRR, e dene a qualidade do

sistema biométrico em estudo, ou seja, quanto menor a taxa EER, melhor é o sistema. (JAIN

et al., 2004)

A Figura 2 abaixo apresenta um exemplo de curva onde são apresentados estes índices:

Figura 2 - Curva de análise da qualidade de um sistema biométrico

Fonte: (INSANKEOVILAY; PRASARN; CHOOMCHUAY, 2011)

Os sistemas biométricos são selecionados pelo critério da segurança a ser adotada no local,

tempo de resposta do sistema, aceitabilidade por parte dos usuários (métodos invasivos e não

Page 30: proposicão de um algoritmo para identificação biométrica de ...

28

invasivos), custos do sistema, facilidade de instalação e manutenção do sistema, e conabili-

dade. (JANES et al., 2008)

2.7.2.1 Reconhecimento da impressão digital

A impressão digital é uma das técnicas de identicação biométrica mais utilizadas no mundo

desde o m do século XIX, inclusive em análises forenses. Os equipamentos utilizados captu-

ram imagens dos dedos, normalmente indicador (o polegar é pouco utilizado) e a partir desta

imagem, analisa as suas características, conhecidas como minúcias (relatada em diversos tra-

balhos como minutiae). Estas minúcias são reconhecidas e então algoritmos são aplicados

para transformar estas posições em informações digitais. Como a imagem a ser adquirida é

de baixa dimensão, os equipamentos costumam ter baixo custo e são relativamente pequenos,

inclusive passíveis de serem instalados em laptops, aparelhos celulares e outros equipamen-

tos eletrônicos onde é necessária a identicação do usuário para o devido controle do acesso

lógico. Algumas fechaduras eletrônicas também dispõem de um leitor de impressões digitais

para abertura das portas, e estes sistemas são usados tanto para a automação residencial

quanto para uso comercial, como a abertura de salas de servidor de informática. (JANES,

2009; ZHAO et al., 2013)

Os principais algoritmos são baseados na esqueletonização da imagem, ou seja, após a

captura da imagem, a mesma passa pela etapa de normalização que consiste em aplicação de

ltros para melhoramento de contraste, transformação de imagem colorida em imagem apenas

com tons de cinza, extração de região de interesse com correção indevida de rotação, aplicação

de técnicas de threshold e em seguida extração das linhas que formam a impressão digital.

A partir destas linhas, o algoritmo as digitaliza, considerando sua espessura unitária, e então

verica a presença das terminações, núcleo, bifurcações e deltas, e cria informações digitais

que serão utilizadas para identicação da pessoa. (BALTI; SAYADI; FNAIECH, 2012)

As principais vantagens destes sistemas são o baixo custo, como já comentado, a facilidade

de utilização por parte dos usuários e a alta divulgação do sistema, fazendo com que as

pessoas tenham alta aceitabilidade, no entanto, alguns fatores podem afetar o desempenho da

tecnologia, como pequenos ferimentos nos dedos, ressecamento ou sujeira que podem causar

falsas rejeições. Ainda existem os problemas de contaminação, pois o equipamento necessita

do toque do usuário para a coleta da imagem, e em diversos países asiáticos existe alta rejeição

por sistemas deste tipo devido ao alto risco de contaminação, como por exemplo a gripe aviária,

vírus H1N1, vírus H7N9, conjuntivite, entre outros. (CAPPELLI et al., 2006)

Recentemente no Brasil, foram adotados sistemas de coleta de impressão digital e seu uso na

identicação de pessoas para o controle de votação eleitoral pelo Tribunal Superior Eleitoral

Page 31: proposicão de um algoritmo para identificação biométrica de ...

29

(TSE), mas os sistemas ainda não abrangem todas as cidades, estão em fase de testes em

algumas regiões do país, e de acordo com informações do próprio TSE, o sistema está sendo

considerado extremamente eciente no que diz respeito à correta identicação das pessoas.

(TSE, 2014)

Ainda no Brasil, sistemas semelhantes foram implantados para o controle de treinamento

prático por pessoas que pretender adquirir carta de habilitação, e diversos relatos de fraude uti-

lizando dedos falsos feitos com silicone pré-moldado foram relatados pela imprensa. (JANES;

BRANDÃO JR; DIAS, 2010; FORUM BIOMETRIA, 2014)

2.7.2.2 Reconhecimento da íris

A ideia inicial sobre o uso da textura da íris como característica biométrica importante

na identicação de pessoas partiu de Frank Burch em 1936, e a partir desta ideia, James

Daggarts documentou a teoria em 1949. No entanto, o uso da textura da íris como padrão

biométrico só foi realmente patenteado em 1987 pelos oftalmologistas Aran Sar e Leonard

Flom. (NAROTE et al., 2006)

O uso desta técnica como ferramenta para identicação de pessoas foi implementado pela

primeira vez pelo pesquisador da Universidade de Cambridge, John Daugman, que criou um

algoritmo baseado na transformada de Wavelet e o uso do ltro de Gabor em 1993 para a

extração das características da íris, chamado pelo autor de íris code, que tratava-se de uma

sequência de 256 bytes para a representação da íris. As imagens das íris capturadas por

Daugman eram expostas à luz infravermelha de espectro próximo, pois segundo o mesmo,

este tipo de iluminação revela mais características de textura do que quando vista a olho nu.

(DAUGMAN, 2001)

A partir desta data, diversos outros autores elaboraram trabalhos semelhantes para o uso

da íris como característica biométrica, como a criação de equipamentos para automação do

processo de identicação, mas praticamente todos os trabalhos posteriores tem como base a

proposta de Daugman. (LI; SAVVIDES, 2013)

A íris é um tecido que faz parte do olho humano, com pigmentação especíca para cada

pessoa (com exceção de albinos) e trata-se de uma rede de lamentos cruzados formados

por volta do oitavo mês de gestação, e estabelece-se em cor aproximadamente um ano após

o nascimento. Considerando a estrutura do olho, a íris ca localizada entre o cristalino e a

córnea, portanto, é uma região protegida de agentes externos pela presença da córnea sobre

a mesma. No centro da íris, localiza-se a pupila, e esta por apresentar dilatação de acordo

com a quantidade de luz sobre o qual o olho é exposto, acaba fazendo com que as dimensões

visíveis da íris variem. Na estrutura da íris localizam-se os músculos responsáveis por realizar

Page 32: proposicão de um algoritmo para identificação biométrica de ...

30

esta movimentação da pupila, fazendo com que a quantidade de luz que entra no olho humano

e atinge a retina seja controlada. A íris possui cores e texturas diferentes mesmo entre olhos

direito e esquerdo da mesma pessoa, e em sua composição é possível vericar diferenças entre

glândula, sardas, lamentos, coroas, estrias e sulcos radiais, fazendo com que a mesma seja

praticamente única quando comparadas as íris de diversas pessoas, portanto, a mesma possui

alto potencial de aplicação em sistemas biométricos por ter a probabilidade de se encontrar

duas íris iguais de 1078. (DAUGMAN, 2002)

Os equipamentos que realizam a leitura da íris são capazes de identicar uma pessoa mesmo

com o uso de lentes de contato, mas é indicada a retirada de óculos escuros, principalmente

os que possuem lentes polarizadas no momento da aquisição da imagem, pois estes podem

modicar a imagem a ser analisada. O algoritmo criado por Daugman (2007) analisa cerca de

600 pontos de características da íris, enquanto que em outros sistemas biométricos, como por

exemplo a impressão digital, esta quantidade de minúcias é da ordem de 50 pontos, mostrando

assim que se trata de uma tecnologia cerca de 12 vezes mais precisa que a análise da impressão

digital. O processo de identicação de uma pessoa através do uso da íris consiste em:

a) Detectar a presença do olho na imagem, usando como referência as pálpebras superior e

inferior;

b) Denir os limites da íris, usando sua borda externa e a pupila como referência;

c) Excluir pálpebras, cílios e outros componentes que não fazem parte da íris;

d) Extrair as características da íris e armazenar estas informações em um banco de dados.

A partir do armazenamento das características no banco de dados, é feita a comparação

do padrão armazenado com o padrão da pessoa a ser identicada, e o algoritmo usado por

Daugman é a distância de Hamming. (DAUGMAN, 2007)

2.7.2.3 Reconhecimento da face

A tecnologia de reconhecimento da face tem alta aceitação pelas pessoas devido o método

não ser intrusivo, pois para captura são utilizadas câmeras convencionais, que podem ser

fotográcas ou lmadoras e representam uma aplicação de baixo custo. Por parte dos órgãos

de defesa e justiça, também é um sistema interessante pois pode-se vericar a identidade de

uma pessoa sem que ela saiba que está sendo analisada, como por exemplo na tentativa de

identicação de terroristas em aeroportos ou no controle de travessia de pessoas em fronteiras.

Diferenças na face devido à idade, presença de barba, óculos e outros objetos, assim como a

variação da sionomia da pessoa podem afetar o nível de segurança na identicação (o mesmo

rosto cadastrado com sionomia normal pode gerar futuramente imagens da pessoa sorrindo,

triste, chorando, nervosa, enm, diversas outras possibilidades que levam ao sistema geração

Page 33: proposicão de um algoritmo para identificação biométrica de ...

31

de falsa rejeição).

A técnica consiste em identicar pontos especícos no rosto denidos no software de análise

como os cantos da boca, cantos dos olhos, nariz e suas bordas, sobrancelhas, medidas da

largura e altura do rosto (entre orelhas e entre queixo e cabelo, respectivamente), espessura dos

lábios, orelhas, e todas as relações entre estas áreas. Após a captura da imagem, são extraídos

os coecientes necessários à identicação de uma pessoa e estes dados são armazenados em

um banco de dados para futura comparação. As análises biométricas podem ser realizadas

por um único algoritmo ou por aplicação de múltiplos algoritmos, tanto em duas dimensões

da imagem quanto em três dimensões, sendo que o primeiro método é menos ecaz e mais

sujeito a fraudes, pois uma fotograa da pessoa pode ser utilizada na identicação, gerando

uma falsa aceitação pelo dispositivo, enquanto que no método de análise tridimensional, o

sistema tem muito mais robustez mas necessita de equipamento especíco, aumentando assim

seu custo, e aumentando também o nível de intrusão (necessita de conhecimento por parte

do usuário para geração correta da imagem). (ACHERMANN; BUNKE, 1996)

Como qualquer dispositivo eletrônico construído com uma câmera pode efetuar capturas de

imagens, existe a possibilidade de se utilizar um equipamento que contenha uma câmera e ter

sua imagem capturada para futura análise sem o consentimento do usuário, caracterizando

assim uma possibilidade de ato criminoso. Atualmente, existem diversos relatos da criação de

um banco de dados de faces capturadas pela empresa Facebook (projeto Deep Face) através

do uso das imagens colocadas no perl do usuário do sistema, e ainda da captura de imagens

de softwares gratuitos de reconhecimento facial para celulares, tanto para plataforma iOS

quanto Android, e segundo especialistas, são analisadas cerca de 300 milhões de faces por dia

sem o conhecimento do proprietário da imagem. (NETWORKWORLD, 2012)

2.7.2.4 Geometria das mãos

A proposta destes sistemas biométricos é de se utilizar a geometria das mãos como caracte-

rística individual para reconhecimento de pessoas, baseando-se na hipótese de que ao menos

em pequenas populações não existem mãos idênticas e que estas características não sofrem

grandes mudanças ao passar dos anos. Apesar da proposta ser válida, sabe-se atualmente

que diversos fatores modicam esta estrutura tornando o sistema vulnerável a fraudes e ge-

rando falsas rejeições, como por exemplo a mudança de peso corporal, artrite, sujeiras, cortes e

objetos como anéis e pulseiras. Como existem diversos fatores que tornam o sistema fraco, nor-

malmente o mesmo é utilizado para autenticação, e a identicação é realizada através do uso

de crachás ou outro documento que comprove a identicação pessoal. (SANCHEZ-REILLO,

2000)

Page 34: proposicão de um algoritmo para identificação biométrica de ...

32

O processo de captura das imagens consiste basicamente em um equipamento composto

por câmera e conjunto de lentes e espelhos para que sejam capturadas imagens das mãos

de forma tridimensional para posterior análise da largura das mãos, comprimento dos dedos,

posições das juntas dos dedos, angularidades no eixo de cada dedo, área total e diversos outros

pontos de análise. Estes pontos extraídos por um algoritmo especíco são armazenados para

vericação biométrica e normalmente ocupam pouco espaço para armazenamento, portanto

se torna ideal em locais de grande acesso, como estádios e universidades, inclusive o sistema

foi testado em grande escala pela primeira vez nos jogos olímpicos de 1996 para o controle de

acesso à vila olímpica. (UFRJ - BIOMETRIA DA MÃO, 2009)

A principal desvantagem neste método é o posicionamento da mão no dispositivo e para

resolver este problema, a maioria dos equipamentos contém pinos de alinhamento evitando

assim que a pessoa consiga rotacionar as mãos no momento da aquisição da imagem.

2.7.2.5 Reconhecimento da voz

O reconhecimento da voz humana pode ser usado como característica biométrica pois o som

da voz humana é gerado a partir da ressonância das cordais vocais, e o mesmo sofre inuência

das cavidades nasais e do formato da boca, portanto, gera uma característica única para

cada indivíduo. No momento da aquisição da amostra, é importante que a pessoa não esteja

com nenhum tipo de problema de saúde como por exemplo amigdalites, faringites, obstrução

nasal, ou tenha feito algum tipo de tratamento odontológico recentemente, pois todos estes

fatores irão inuenciar no som gerado pelas cordas vocais no momento do armazenamento do

padrão, e no futuro, quando o usuário for realizar a tentativa de identicação, serão geradas

falsas rejeições. Outros fatores como nervosismo ou cansaço podem alterar o padrão de voz.

(RASHID et al., 2008)

São usadas técnicas que dependem de pronúncia de textos especícos e outras que testam

aleatoriamente o padrão da voz humana. Os sistemas dependentes de texto normalmente são

usados em equipamentos comerciais para se obter acesso lógico a softwares e estes geram

mensagens que devem ser lidas pelo usuário para análise da voz, e os sistemas independentes

são usados para controle de acesso físico onde o usuário pode escolher falar uma frase especíca

pré-cadastrada. Em sistemas de automação residencial, este método é muito usado para

acionamento de iluminação, controle de ar condicionado e acionamento de dispositivos de

som através de comandos de voz, e não necessariamente para a identicação de pessoas, mas

os algoritmos utilizados são os mesmos. (ALSHU'EILI; GUPTA; MUKHOPADHYAY, 2011)

O reconhecimento da fala é feito através da análise por série de Fourier, que extrai frequên-

cias especícas de cada pessoa, e a seguir estas informações são armazenadas em um banco

Page 35: proposicão de um algoritmo para identificação biométrica de ...

33

de dados para futura comparação. Como o cadastro de cada usuário consiste basicamente de

um equipamento gravador com um microfone, estes sistemas são relativamente baratos, mas

a conabilidade é muito baixa, e as falsas rejeições são altas pois qualquer som do próprio

ambiente pode alterar os resultados. Outra limitação do uso desta técnica está no fato de que

a voz muda ao longo dos anos, normalmente se tornando mais grave devido ao relaxamento e

enfraquecimento natural das cordas vocais, alterando assim o resultado da identicação, e o

fato de que a voz de uma pessoa pode ser gravada previamente em um equipamento portátil

e usada para identicação e posterior fraude no sistema. (CUI; XUE, 2009)

2.7.2.6 Reconhecimento da assinatura

Existem duas formas de se identicar uma pessoa através da assinatura, a análise da imagem

estática após a assinatura ter sido realizada (método menos eciente), e a análise dinâmica da

assinatura. Nesta segunda proposta, equipamentos baseados em scanners de mesa compostos

de diversos sensores que reconhecem o ângulo, direção e pressão da escrita (parecidos com

mouse pads) realizam a medição do ato de escrever, que incluem pressão sobre o equipamento

pela caneta, velocidade da escrita, ritmo, momentos em que a caneta não pressiona o leitor,

como o usuário adiciona pontos e traços, momentos de pausa entre duas palavras e outros

padrões especícos para cada pessoa. Estes dados são armazenados em um banco de dados e

são utilizados para comparação no intuito de identicar o indivíduo. A maior utilização deste

método está na vericação de assinatura de cheques por instituições nanceiras. A maior

desvantagem desta técnica é que a assinatura varia ao longo do tempo, poucas pessoas são

consistentes com seu padrão ao longo dos anos, dessa forma, o sistema necessita de rear-

mazenamento do padrão periodicamente. (PLAMONDON; PARIZEAU, 1988; VIGLIAZZI,

2006)

2.7.2.7 Considerações sobre os principais algoritmos

Em todos os sistemas biométricos analisados nas seções anteriores que utilizam imagens

como padrão biométrico, a abordagem espectral é realizada e baseia-se principalmente na

aplicação da série de Fourier sobre a imagem capturada para a descrição de padrões em duas

dimensões que podem ser periódicas ou não periódicas, analisando os padrões globais de tex-

tura da imagem tratada que apresentam alta energia no espectro resultante e as principais

características usadas para montagem do padrão são picos no espectro responsáveis por forne-

cer a direção dos padrões da textura. A posição destes picos no espectro fornecem o período

espacial e a eliminação de componentes no espectro que representam ruídos são feitos por

Page 36: proposicão de um algoritmo para identificação biométrica de ...

34

ltros sintonizados nestas regiões. Para a efetiva análise da imagem, são necessárias informa-

ções de diferentes locais da imagem, mas a série de Fourier analisa apenas o espectro global

da frequência, dessa forma, foram criadas técnicas adaptadas de Fourier para o tratamento

especíco deste tema. As técnicas mais utilizadas são a transformada de Wavelet, Ridgelet,

Curvelet e Contourlet. (GONZALEZ; WOODS, 2001)

Page 37: proposicão de um algoritmo para identificação biométrica de ...

35

3 RECONHECIMENTO DE PADRÕES DE VEIAS DAS MÃOS

O reconhecimento do padrão de veias é utilizado baseando-se no princípio da unicidade, ou seja,

de que não existem duas pessoas com o mesmo padrão de veias (formato, posição e dimensão).

Para que as imagens sejam capturadas, utiliza-se luz infravermelha com comprimento de onda

entre 700nm e 1000nm, que é capaz de atravessar a pele humana, mas é absorvida pela

hemoglobina, tornando assim as veias facilmente identicáveis em uma imagem capturada por

uma câmera infravermelha, pois as mesmas cam escuras na imagem. (WANG; LEEDHAM,

2006)

Outro método de captura das imagens é a utilização de câmeras infravermelhas capazes de

realizar a leitura de comprimentos de onda da ordem de 3µm a 14µm (espectro que o corpo

humano irradia) para identicação das veias, no entanto, este processo é mais inuenciado

pelas condições do ambiente. (WANG; LEEDHAM, 2006)

3.1 INTRODUÇÃO

Como já comentado anteriormente, sistemas biométricos normalmente são patenteados e

suas características não são divulgadas. O material divulgado normalmente é comercial, com

ênfase no marketing do produto. A consulta sobre o tema então foi direcionada às instituições

de ensino e congressos nacionais e internacionais, no intuito de analisar o que já foi escrito

sobre o tema, para que não fosse realizado o desenvolvimento de um sistema já existente.

As principais bases nacionais informadas pela biblioteca da Escola Politécnica da Universi-

dade de São Paulo foram consultadas e nenhuma monograa, dissertação ou tese foi encon-

trada com o tema especíco de análise de padrão de veias das mãos. Alguns trabalhos tem

outro enfoque e somente comentam este sistema biométrico como um pequeno tópico dentro

da estrutura do trabalho.

Ao consultar então as bases cientícas na busca de artigos publicados sobre o tema, foram

encontrados a princípio 330 trabalhos. Não houve eliminação de artigos sobre o critério cro-

nológico, todos foram consultados independente do ano de publicação. Após análise de seus

abstracts, evidenciou-se que apenas 141 trabalhos tratavam o tema em questão, todos os ou-

tros 191 trabalhos eram resultados da área médica. Os 141 trabalhos foram lidos e avaliados na

busca do estado da arte deste tema. As bases consultadas foram IEEE Xplore, Elsevier Scopus

e Springer. As palavras-chave utilizadas na busca de material são descritas abaixo, e foram

utilizadas em pesquisas avançadas, realizando o cruzamento das palavras, pois quando foram

realizadas pesquisas simples, cada palavra-chave analisada de forma independente gerava mais

de um milhão de resultados, dos quais a maioria não era pertinente ao tema especíco:

Page 38: proposicão de um algoritmo para identificação biométrica de ...

36

Veins Pattern;

Biometry ;

Biometric System;

Access Control;

Smart buildings.

3.2 REVISÃO DA LITERATURA

A pesquisa sobre a identicação biométrica utilizando os padrões de veias das mãos teve

início com o trabalho de Rice (1994) que apresentou uma breve explanação sobre o que é

biometria, e em seguida detalhou sobre seu equipamento criado em 1990, mas comenta sobre

ter registrado a patente em nome da British Technology Group (BTG). A proposta do autor

é de iluminar a parte dorsal da mão com LEDs infravermelhos, e capturar imagens desta

mão utilizando diodos fotossensíveis. A meta de sua pesquisa é que o equipamento consiga

reconhecer e identicar adequadamente uma pessoa em até um segundo. O procedimento de

registro é efetuado adquirindo duas imagens da mesma mão, e após isto, passam-se as duas

imagens por uma lógica booleana ou-exclusivo, na tentativa de gerar uma terceira imagem

só com as diferenças entre as duas primeiras. Após isto, é feita a binarização da imagem

por um algoritmo matemático (não citado) e os dados são armazenados em um banco de

dados, onde cada gura tem incorporado um cabeçalho com informações do indivíduo. O

autor ainda cita que ao adquirir as imagens, utilizou um ltro chamado de pepper and salt

algorithm na tentativa de melhorar a qualidade da imagem adquirida, e após pesquisa breve

sobre este ltro, trata-se de um método utilizado para processamento de imagens com a

nalidade de diminuir ruídos, mas que na verdade é utilizado normalmente para gerar ruídos

suavizando a imagem. O método de binarização utilizado consiste em adotar bits lógicos

zero para pixels da imagem com iluminação abaixo de cinquenta por cento e adotar bits

lógicos "um" para pixels com iluminação acima de cinquenta por cento. Os resultados obtidos

foram enviados para estatísticos independentes, para que pudessem levantar as características

de falsa rejeição e falsa aceitação, e o autor comenta que os resultados foram encorajadores.

O trabalho não referencia nenhuma fonte de informação, e não comenta sobre resultados

numéricos ou processos algorítmicos utilizados neste levantamento. Após análise deste artigo,

foram investigados trabalhos do mesmo autor e encontrada a patente registrada em 1984

mas publicada apenas em 1987 em nome do autor, comprovando assim a autoria do primeiro

projeto envolvendo leitura de veias para aplicação em sistemas biométricos. (RICE, 1987)

Page 39: proposicão de um algoritmo para identificação biométrica de ...

37

Os autores MacGregor e Welford (1991) também apresentaram resultados da pesquisa sobre

este tema. Os autores propuseram um sistema de identicação biométrica utilizando imagens

da parte dorsal da mão, que diferentemente do autor Rice (1987), propuseram a iluminação

usando um o de tungstênio incandescente como fonte de luz infravermelha. O intuito da

pesquisa era provar que as pessoas tem padrões de veias diferentes umas das outras, e para

isto, construíram um sistema capaz de adquirir imagens, processar automaticamente estas

imagens adquiridas e identicar a pessoa, e ainda estabelecer qual era a falsa taxa de aceitação

FAR e a falsa taxa de rejeição FRR de seu equipamento. O trabalho dos autores utiliza um

algoritmo que elimina todas as informações da imagem adquirida com exceção das veias,

armazena estas informações e em seguida identica a pessoa. Nenhuma destas técnicas é

comentada, apenas cita-se a ecácia do equipamento mas sem nalidade comercial devido à

complexidade de construção, pois as imagens adquiridas eram apresentadas em um Visual

Display Unit (VDU) e plotadas manualmente em um acetato, e a iluminação era realizada

com incidência de luz proveniente de um lamento de tungstênio, portanto, de acordo com

a proposta inicial de se criar um sistema automático, o proposto pelos autores era realizado

manualmente. Os mesmos autores MacGregor e Welford (1992) mostraram métodos mais

ecientes de se plotar as imagens em acetato, mas ainda não tornou o equipamento comercial,

no entanto, apresentaram resultados da comparação entre vinte imagens de diferentes mãos,

provando que a similaridade entre elas era de apenas 0,45%.

Novos resultados de pesquisa foram apresentados por Hawkes e Clayden (1993) e sua pro-

posta foi de utilizar as mesmas técnicas já citadas mas representando cada veia por um vetor

em que sua posição e ângulo são armazenadas para representar as características do indivíduo.

Apresentaram ainda um sistema de melhoramento do contraste da imagem para que a binari-

zação pudesse ser realizada com mais eciência, então propõem pela primeira vez o método

de binarização de imagens. A segmentação e esqueletonização das imagens foram realizadas

utilizando um algoritmo criado em linguagem "C" para simplicar a imagem e preservar ape-

nas o formato essencial das veias, eliminando irrelevâncias. Vale comentar que binarização

é o termo denido pelos autores como processo de transformação da imagem em bits que

podem ser zeros ou uns através de técnica conhecida como threshold (limiar entre o que

é um pixel preto e o que é um pixel branco), segmentação foi o termo utilizado para excluir

tudo que não é de interesse na pesquisa sobre veias, como imagem do fundo e os ruídos, e

esqueletonização é o termo usado para simplicar a espessura das veias em uma única linha

média sobre o eixo das veias.

Mehnert, Cross e Smith (1992) comentaram em seu trabalho que perante a luz visível, a

estrutura das veias não é facilmente discernível, e que esta estrutura varia signicantemente

dependendo de diversos fatores como idade, nível de gordura sob a pele, temperatura e umidade

Page 40: proposicão de um algoritmo para identificação biométrica de ...

38

do ambiente, atividade física durante a aquisição da imagem e posicionamento inadequado da

mão no dispositivo leitor. Além disso, existem os fatores de contraste diferente entre estruturas

da mão como músculos, sangue, nervos, ossos e ainda detalhes de pele como cicatrizes,

pigmentação e presença de pêlos. A proposta do trabalho dos autores consiste em provar que

as imagens adquiridas no espectro do infravermelho elimina praticamente todas estas variáveis,

concentrando o contraste entre o que é veia e o que não é veia.

Dessa forma, após três anos os mesmos autores Cross e Smith (1995) propuseram um

algoritmo capaz de segmentar a imagem automaticamente no momento da aquisição, obtendo

uma representação média do eixo da mão, corrigindo assim o mal posicionamento. Após

isto, a binarização da imagem é realizada e armazenada em uma matriz, que será utilizada

como o padrão único de identicação da pessoa. Os mesmos sugerem nove passos para que

o processamento seja realizado:

1. Atenuar ruídos e melhorar contraste da imagem;

2. Determinar o domínio da mão, eliminando fundo ou qualquer outro objeto;

3. Reduzir este domínio para um domínio de trabalho, utilizando técnica de erosão;

4. Remover pêlos, poros da pele e qualquer outro ruído, utilizando elementos de estruturação

linear;

5. Normalizar a imagem, pois a mão apresenta curvatura e a iluminação sobre a mesma não

se apresenta de forma uniforme;

6. Separar veias do restante da imagem;

7. Remover ruídos e preencher falhas, utilizando ltro sequencial alternativo Alternating

Sequential Filter (ASF);

8. Criar uma linha na média das veias, ignorando sua espessura (esqueletonizar a veia);

9. Podar segmentos indesejados, usando um algoritmo de poda automática para que os

segmentos espúrios induzidos por sombras e grandes concentrações de pelos sejam elimi-

nados, enquanto a veia dominante é aproveitada.

Todo o processamento é realizado em 120 segundos, fazendo com que o sistema seja inviabi-

lizado para sistemas de controle com grande volume de usuários. Para corrigir a rotação da

mão no momento da aquisição das imagens, os autores usaram um algoritmo que localiza uma

veia horizontal ao lado direito da imagem e uma veia vertical abaixo da imagem para usá-las

como vetores de referência e conseguir realizar a correção da rotação das mãos. Foram usadas

Page 41: proposicão de um algoritmo para identificação biométrica de ...

39

100 imagens de 20 usuários para realização dos testes, mas não foram concluídas informações

sobre FAR e FRR. O enfoque principal deste trabalho está no alinhamento da imagem, mas o

algoritmo utilizado não é descrito. Pode-se então armar que este foi o primeiro trabalho apre-

sentado neste tema que realmente identicava de forma automática uma pessoa pelo padrão

de veias das mãos. A ideia inicial de Rice (1987) só foi implementada de forma automática

em 1995.

Após 5 anos sem evoluções sobre o assunto, os autores Im et al. (2000) publicaram os

resultados de seu trabalho que propõe um algoritmo de extração do padrão de veias me-

lhorado, que compensa a perda de padrões de veia na área de borda, e apresenta melhor

desempenho em relação ao algoritmo existente, mas não cita qual é este algoritmo existente,

nem o referencia a outro trabalho. Além disso, o trabalho propõe que o problema decorrente

da natureza iterativa de ltragem de pré-processamento no algoritmo existente é solucionado

com o projeto de um ltro que é processado apenas uma vez, fazendo com que a velocidade

de reconhecimento seja aumentada (100ms para reconhecimento de uma pessoa) e redução

da complexidade de hardware seja obtida. O algoritmo proposto é implementado com um

dispositivo Field Programmable Gate Array (FPGA) e o FAR obtido é cinco vezes melhor do

que o algoritmo existente (não se sabe a referência de comparação, do ponto de vista que os

trabalhos publicados até então não comentaram estes valores para que este autor arme sendo

melhor) e ca evidente que a qualidade deste trabalho está no tempo de processamento, de

apenas 100ms para os 120 segundos do trabalho citado anteriormente.

Os autores Lin e Fan (2004) propuseram um sistema com uma câmera infravermelha para

capturar as imagens térmicas da parte dorsal da mão, coletando em seu trabalho 960 imagens

provenientes de 32 voluntários, sendo 29 homens e 3 mulheres, utilizando para isto uma câmera

Infrared (IR) com sensibilidade de 300nm a 500nm, do fabricante Inframetrics Corporation.

Representações de imagens com multirresolução Feature points of the vein patterns (FPVP)

são obtidas utilizando ltros Multiresolution lter (MRF) que extraem os pontos dominantes

ltrando recursos diversos para cada FPVP. O ltro proposto nada mais é que uma melhoria

do ltro watersheed, que impõe pontos sobre as regiões mais escuras de uma imagem. Os

resultados apresentaram uma FAR de 2,3% e uma FRR de 2,3%.

Ainda no mesmo ano, os autores Tanaka e Kubo (2004) propuseram um sistema composto

por câmera Charge-coupled device (CCD) modelo CV-15H para captura das imagens do padrão

de veias das mãos, um conjunto de LEDs IR modelo SANYO SLR931A para iluminação da mão

em questão e uma placa de vídeo para conexão da câmera a um microcomputador. O primeiro

passo dos autores foi transformar as imagens adquiridas em padrões de cinza, no intuito

de eliminar qualquer espectro de luz visível que possa ter passado pelo ltro. Em seguida,

melhoram o contraste utilizando técnicas de normalização de histograma (não comentam o

Page 42: proposicão de um algoritmo para identificação biométrica de ...

40

algoritmo utilizado) e salvam a imagem em um padrão de 640x480 pixels. O trabalho se

baseia essencialmente na criação de um algoritmo capaz de extrair informações da imagem,

e os autores o chamam de correlação somente de fase, conhecido por seu termo em inglês

Phase Only Correlation (POC) que trata-se de um processo contínuo similar à transformada

Fast Fourier Transform (FFT). A pesquisa foi aplicada sobre imagens adquiridas de 25 pessoas,

mas não existe a informação de quantas imagens foram obtidas por pessoa, durante a leitura

do texto existe a impressão de que foi adquirida uma única imagem de cada pessoa, totalizando

assim 25 imagens. Os resultados obtidos foram e FRR igual a 4% e FAR igual a 5,0191%.

Se comparados os resultados do autor anterior aqui citado, a FAR e a FRR foram quase duas

vezes pior. A contribuição deste trabalho está na indicação de uma câmera e do conjunto de

LEDs propostos para a avaliação e possível utilização no protótipo utilizado nesta tese.

De acordo com Wang et al. (2006)b o comprimento de onda da luz infravermelha que é

absorvida pelo sangue humano está na ordem de 720nm a 1100nm, portanto, a proposta feita

pelos autores foi de utilizar uma câmera CCD convencional para capturar as imagens e uma

fonte luminosa com comprimento de onda de 850nm para iluminar as mãos em questão. A

escala de cinzas gerada nas imagens captadas variam de acordo com o tempo de aquisição,

intensidade da luz aplicada e tamanho da mão, portanto, as imagens devem inicialmente

passar por um processo de normalização de escala de cinzas. O próximo passo foi extrair

as informações baseando-se em um algoritmo de segmentação dinâmico que calcula a média

e a variância dos pontos para em seguida realizar a binarização da imagem. A proposta

do trabalho é baseada em um processo de extração multimodal, utilizando um classicador

Euclidiano, um classicador baseado em distância (utilizado para tratar imagens comprimidas)

e um classicador baseado em momentos invariáveis. Os resultados apresentados com este

processo mostram que o sistema funciona, mas não apresentam as taxas de falso aceite e falsa

rejeição pois foram utilizadas quinhentas imagens de mãos obtidas de 250 pessoas apenas como

forma de provar a ecácia do algoritmo, sem que o processo tenha sido testado efetivamente.

Outra característica importante que deveria ter sido exposta é o tempo de resposta do sistema,

pois em processos multimodais, o tempo total de identicação pode ser alto a ponto de tornar

a tecnologia inviável do ponto de vista de aceitabilidade pelo usuário.

O trabalho dos autores Watanabe, Tanaka e Iwata (2006) apresenta detalhes sobre a utiliza-

ção da biometria por vericação do padrão de veias das mãos utilizando POC como sendo um

método algorítmico capaz de extrair informações precisas das imagens obtidas mesmo quando

existem irregularidades de iluminação, mas o ponto fraco desta tecnologia está no fato de

não haver correções quando existe rotação da imagem. A proposta realizada pelos autores

baseia-se na aplicação das transformadas de Hough, de Fourier e conversão logarítmica sobre

as imagens obtidas, antes de realizar a binarização das mesmas. Após aplicação prática, con-

Page 43: proposicão de um algoritmo para identificação biométrica de ...

41

cluíram que para tornar o sistema robusto, basta utilizar a POC e a transformada de Hough,

pois as transformadas de Fourier e a conversão logarítmica aplicadas no intuito de corrigir

as rotações não apresentaram resultados que justicassem sua aplicação. Vale lembrar que

o primeiro trabalho utilizando POC foi realizado pelos autores Tanaka e Kubo (2004) e que

a proposta aqui foi de melhorar este algoritmo, mas isto os autores não comentaram como

zeram. A transformada de Hough foi utilizada por Daugman para a identicação da íris por

se tratar de um componente circular, e este é o motivo da transformada ter o nome de circular

de Hough, mas os autores não citam as características de se utilizar um algoritmo especíco

para círculos em imagens de mãos.

Os autores Wang e Leedham (2006)a apresentaram resultados inéditos quanto ao processo

de reconhecimento do padrão de veias das mãos. Os mesmos propuseram um algoritmo

chamado de bacia hidrográca (watersheed algorithm) como sendo extremamente eciente

na fase de esqueletonização da imagem das veias, eliminando a etapa de segmentação e

binarização proposto em outros métodos pois, segundo eles, a segmentação e binarização da

imagem introduzem erros no processo, fazendo com que o algoritmo de reconhecimento indique

falsas aceitações e rejeições. O processo de aquisição da imagem é similar aos outros propostos

e comentados neste capítulo. Após armazenar a imagem em um banco de dados, os autores

realizaram testes similares à de outros autores, segmentando a imagem na primeira etapa

por métodos de limiaridade (utilizaram o algoritmo chamado de local adaptive thresholding)

e em uma segunda etapa aplicaram dois métodos de esqueletonização da imagem obtendo

resultados bastante parecidos (usaram os algoritmos fast fully parallel thinning e fast parallel

algorithm propostos por Guo e Hall (1992) e Suen e Zhang (1984) respectivamente) e em

seguida apresentaram o método proposto, mostrando que seu algoritmo é muito mais eciente

por eliminar a etapa de segmentação. O método proposto consiste em visualizar a imagem

em três dimensões: duas coordenadas espaciais e níveis de cinza da imagem. Os resultados,

apesar de satisfatórios, apresentam problemas citados pelos autores, pois quando duas veias se

encontram muito próximas, o algoritmo as une transformando em uma única veia, e quando

a imagem da veia não é discernível, o algoritmo simplesmente a elimina.

Segundo os autores Crisan, Tarnovan e Crisan (2007) um dispositivo de baixo custo para a

aquisição das imagens pode ser construído a partir do uso de 18 LEDs infravermelhos modelo

ELD-740-524 com pico de radiação em 740nm para iluminação da mão, instalados em três

círculos concêntricos no mesmo local de instalação da câmera CCD. Percebe-se que os autores

colocam a incidência direta de luz sobre a mão sendo que outros autores já citaram sobre a

deciência deste método, e não seguem a recomendação de se utilizar luz em uma posição

adequada para a passagem por dentro da mão. O trabalho comenta que todos os algoritmos

utilizados fazem parte do módulo Vision, que é parte integrante do software Labview® ver-

Page 44: proposicão de um algoritmo para identificação biométrica de ...

42

são 7, da empresa National Instruments, mas nenhum comentário adicional é realizado sobre

qual algoritmo foi utilizado na fase de aquisição, melhoramento da imagem, segmentação,

binarização, esqueletonização, armazenamento e reconhecimento, e não são apresentadas in-

formações sobre resultados experimentais. A contribuição deste trabalho está na indicação do

LED comercialmente utilizado para aplicação neste tipo de sistema biométrico.

Os autores Wang et al. (2007) realizaram um projeto multimodal utilizando duas câmeras,

sendo que a primeira é responsável por adquirir uma imagem da palma das mãos, e a segunda

câmera realiza a captura do padrão de veias da mesma mão. A primeira câmera é convencional,

colorida de modelo JAI CV-M50IR e a segunda câmera é relatada pelos autores como sendo

um equipamento especíco para captura de imagens no espectro do infravermelho próximo.

A proposta dos mesmos é fazer a identicação biométrica analisando a impressão digital da

palma da mão e analisando ainda o padrão de veias das mãos. Não é citado no trabalho o

processo de aquisição das imagens, pois deve ser realizada duas capturas ao mesmo tempo,

e também não é analisada a possibilidade de rotação da mão no momento da aquisição.

O reconhecimento do padrão é feito cruzando-se as duas imagens no intuito de ter uma

única imagem proveniente dos pontos de intersecção entre as minúcias da impressão digital e

das posições das veias, e o processo de melhoramento de contraste das características desta

imagem é realizada utilizando transformada de Wavelet após a imagem ser tratada por ltro

Gaussian smoothing (responsável por retirar ruídos da imagem). O algoritmo utilizado para

extração das características da imagem é o Principal Component Analysis (PCA) e o Linear

Discriminant Analysis (LDA) mas nenhum comentário adicional é feito sobre a funcionalidade

e aplicação destes algoritmos, somente que todo o projeto foi realizado utilizando o software

Matlab®. Em tratamento de imagens, estes dois algoritmos são comumente utilizados para

analisar a variância de dados, e não para extrair características de imagens. Como se trata

de um sistema multimodal, não existem parâmetros de comparação quanto aos resultados

alcançados com relação aos estudos sobre biometria utilizando somente o padrão de veias

das mãos, e os próprios autores colocam como diculdade o tempo de processamento pois

qualquer sistema unimodal se torna mais rápido.

O trabalho de Zhao, Wang e Wang (2007) diz respeito essencialmente à qualidade da

imagem do padrão de veias das mãos e seu respectivo contraste com relação ao tipo de luz

aplicada à mão e sua direção. Os autores relatam que o fato da hemoglobina absorver a luz no

espectro infravermelho não é sucientemente razoável para denir um bom contraste em uma

imagem, e que o efeito de espalhamento da luz infravermelha é muito mais signicativa pois

as diversas estruturas da mão apresentam diferentes índices de refração. Os resultados da tese

de XiaoXia (2004) mostraram que os índices de refração são realmente muito maiores que os

índices de absorção de luz, sendo que a 1064nm, o infravermelho apresenta índice de absorção

Page 45: proposicão de um algoritmo para identificação biométrica de ...

43

de 9,77 nos músculos e 2,00 na hemoglobina, enquanto que na mesma frequência, os índices

de refração são de 508,60 nos músculos e de 215,00 na hemoglobina. Ainda comentando sobre

os autores citados no início do parágrafo, os mesmos zeram testes quanto à qualidade de

imagem quando a luz é penetrante na mão, quando é exposta diretamente sobre a mão e em

ambos os casos, chamando este terceiro método de modo misto, e obtiveram como melhor

resultado de contraste o modo penetrante, no entanto, este é o método que apresenta maior

variação no histograma da imagem, necessitando correções por software para devida análise e

como parte de seu trabalho, propõem um novo algoritmo redutor de ruídos. Comparam ainda

os resultados de seu algoritmo com o ltro Gaussiano passa baixa (Gaussian low-pass lter) e

provam através de seus resultados que sua proposta é mais eciente. Como a luz utilizada é

penetrante, aparecem nas imagens regiões mais claras e outras mais escuras, formando blocos

totalmente disformes, e para a segmentação, escolhem utilizar um método já reconhecido,

proposto em 2006 por Wang et al. (2006)b e como método de reconhecimento de padrões,

os autores citam sobre dois métodos muito utilizados em outros trabalhos, como os métodos

de padrão local e padrão global, e adotam o padrão local modicado, conhecido como Local

Binary Pattern (LBP). Os resultados apresentados foram basicamente obtidos pela proposta

de análise da imagem com enfoque no espalhamento da luz, e não na absorção, pois as fases

de ltragem, segmentação e reconhecimento utilizaram algoritmos já propostos por outros

autores.

Ainda no mesmo ano, os autores Wang, Leedham e Cho (2007) apresentaram seus resul-

tados de testes realizados sobre qual o tipo de luz mais adequada à aquisição de imagens de

veias. Propuseram um sistema para captura de imagens no espectro de 8µm a 14µm sendo

que este sistema consiste em utilizar técnicas de termograa, capturando as diferentes estru-

turas do objeto em questão, e é chamado de Far Infrared (FIR) e ainda um sistema para

captura de imagens no espectro de 700nm a 900nm chamado de Near Infrared (NIR). Ainda

apresentaram análises de qual seria a região mais interessante a ser utilizada em sistemas de

identicação biométrica, e propuseram analisar dessa forma imagens da palma da mão, da

parte dorsal da mão, do punho e dos dedos. Chegaram à conclusão de que a luz NIR é mais

imune ao ambiente e que qualquer parte da mão pode ser utilizada.

No ano seguinte os autores Zhao e Wang (2008) apresentam inovações com relação aos

trabalhos já publicados. A proposta é de se utilizar um equipamento com dois conjuntos de

iluminação, sendo um para aplicação da luz diretamente sobre a mão, e outro do lado oposto

da câmera, de modo que a luz atravesse a mão. Para a extração de ruídos e melhoramento no

contraste da imagem, os autores propõem o uso de um algoritmo adaptado da transformada

de Wavelet conhecido como Besov norm regularization. A comparação feita com os ltros

Gaussian e Smoothing mostram que a proposta feita aqui realmente melhora a qualidade das

Page 46: proposicão de um algoritmo para identificação biométrica de ...

44

imagens. No que diz respeito à segmentação da imagem, os autores propõem também um

novo algoritmo adotado do trabalho de Wang et al. (2006)b chamado de método de threshold

dinâmico local. Os mesmos modicaram o algoritmo citado pois foi utilizado por Wang et

al. (2006)a em imagens adquiridas com iluminação sobre a mão, e no caso da aplicação de

luz que penetra a mão, as imagens apresentam variações muito mais abruptas formadas por

regiões claras e escuras. Para o reconhecimento dos padrões, foram propostos dois algoritmos

que descrevem as veias como níveis. O primeiro algoritmo descreve a distribuição espacial

do padrão de veias em uma imagem e calcula a porcentagem de veias na região analisada,

e o segundo algoritmo é chamado de Modied Local Binary Pattern (M-LBP), e trata-se

de extração de características da imagem levando em consideração a textura e a forma. O

algoritmo também é inédito, pois foi utilizado o algoritmo LBP proposto por Zhao et al.

(2005) e modicado pelos autores pois o mesmo era utilizado originalmente na extração de

características de imagens da face. A nalidade do uso dos dois algoritmos propostos é criar

um histograma em quatro níveis da imagem e utilizá-lo como padrão para reconhecimento da

pessoa em questão, através do uso da medição estatística de similaridade Chi square, proposto

por Ahonen et al. (2004). O trabalho apresenta três novos algoritmos para uso em sistemas

biométricos de identicação de padrões de veias das mãos, e mostra-se como importante

referência, sendo classicado pela IEEE como o trabalho já publicado de maior relevância

sobre o tema.

O trabalho dos autores Kumar e Prathyusha (2009) propõe um sistema de extração das

características das veias do dorso da mão utilizando o mesmo método até então proposto

por outros autores, aplicando equalização de histograma na imagem adquirida, e utilizando o

operador Laplaciano para extrair as características das veias. O método com o qual realizam

a extração utilizando este algoritmo não é comentado, mas o detalhe de maior interesse neste

trabalho está na proposta dos autores de se utilizar as juntas dos dedos como pontos de

referência para poder corrigir rotações ocasionais no momento da aquisição das imagens e

recortar a região de interesse após realizada a correção. A extração das características é

realizada utilizando o algoritmo Delaunay de triangularização proposto por Bebis, Deaconu e

Georgiopoulos (1999) e que trata-se de um sistema utilizado em identicação por impressões

digitais. Os resultados apresentados comparam as taxas de falsa aceitação obtida em 1,14%

e falsa rejeição obtida em 1,14% com autores já citados, e mostram que a técnica proposta

apresenta praticamente a mesma ecácia, com o detalhe de ambas as taxas terem o mesmo

resultado numérico, representando assim a taxa de erro igual citado por outros autores.

O trabalho dos autores Hong et al. (2009) apresenta uma revisão bibliográca interessante,

pois compara os métodos até então propostos. Todos os algoritmos já propostos são divididos

em grupos, sendo que o primeiro é representado por métodos line tracking (segmento da linha)

Page 47: proposicão de um algoritmo para identificação biométrica de ...

45

e que todos os resultados já apresentados mostram que esta técnica é afetada pela variação

da largura das veias ao longo do tempo, o segundo algoritmo mais estudado até o momento é

baseado em local threshold mas estes apresentam problemas quanto às diferentes intensidades

de valor adquiridas devido às diferentes localizações de região de interesse nas mãos, e o terceiro

algoritmo mais utilizado baseia-se em métodos que utilizam transformadas baseadas na série

de Fourier, mas estes gastam muito tempo no processamento das imagens e necessitam de

muito recurso computacional. Com base nestas informações, é proposto um novo método de

extração de características das veias chamado de Position-Gray-Scale, que consiste em adotar

uma escala de cinzas representada em oito bits, sendo que a imagem totalmente preta tem

como representação o número zero e a imagem totalmente branca tem como representação

o número 255. Através desta denição, a imagem da mão é mapeada de forma gráca,

gerando uma linha curva que representa as regiões das veias sobre a estrutura completa da

mão, e esta linha na prática é composta por regiões de "vale" onde aparecem as veias. Estas

linhas são armazenadas como sendo o padrão de cada indivíduo, e para o reconhecimento, os

autores utilizam a distância de Hausdor. A proposta utilizou 378 imagens provenientes de

63 pessoas e os autores comentam que durante seus testes, não houveram falsas rejeições ou

falsas aceitações, propondo que o sistema é o mais preciso até o momento, mas não relatam

quantos testes foram realizados, nem por quanto tempo o sistema cou em teste.

A proposta dos autores Kumar, Hanmandlu e Gupta (2009) é de utilizar imagens térmicas

das mãos para se extrair informações das veias. Para a aquisição das imagens foi utilizada a

câmera de modelo SP Thermoview 8300 Infrared. Os próprios autores lembram sobre a falha

deste tipo de aquisição por ser diretamente dependente da temperatura e umidade do ambiente,

então propõem utilizar uma sala fechada com temperatura e umidade controladas. O primeiro

passo foi utilizar o ltro de Gabor para melhorar o contraste da imagem e em seguida utilizar

a distância Euclidiana para localizar os pontos de mínimo e máximo contraste como forma

de excluir a imagem de fundo, selecionando assim uma imagem única da mão. O método

da distância Euclidiana também foi usado para localizar a profundidade dos dedos, adotar

estes pontos como referência e rotacionar a imagem em um padrão sempre perpendicular à

base da imagem obtida, corrigindo assim posicionamentos incorretos da mão no dispositivo

leitor. A extração das características é realizada utilizando Wavelets de Gabor. Os resultados

apresentados relatam falsa taxa de aceitação igual a 1,5% e falsa taxa de rejeição menor que

0,1%. A consideração a ser feita sobre estes resultados é que os autores realizaram um total

de 90000 testes em 300 imagens adquiridas de 100 pessoas, e até o momento, outros autores

propuseram taxas próximas a zero, mas com quantidades mínimas de testes.

A proposta dos autores Hegde et al. (2009) é de modularizar a imagem obtida com a

nalidade de diminuir falsas rejeições e falsas aceitações devido à problemas de posicionamento

Page 48: proposicão de um algoritmo para identificação biométrica de ...

46

das mãos no momento da aquisição das imagens e por ferimentos causados nas mãos após o

cadastramento do usuário. Trata-se de um sistema de autenticação, e não de identicação.

As imagens obtidas são salvas com o número de registro do usuário na empresa onde o mesmo

trabalha, e no momento da autenticação, caso o algoritmo proposto identique corretamente,

o usuário é liberado, mas caso haja rejeição, o sistema entra no modo de modularização para

tentar corrigir uma possível falha. Inicialmente a segmentação da imagem é feita através de

um algoritmo que detecta o gradiente da imagem, buscando os pontos de máximo e mínimo

contraste conhecido como ltro Gaussiano. Após esta etapa, são realizadas duas aplicações

de threshold na imagem, sendo uma para detectar bordas fortes (alto contraste) e outra para

detectar bordas fracas (borradas). Ainda na mesma imagem, é aplicado o mesmo método

de esqueletonização proposto em outros trabalhos. Para a extração de características, foi

utilizada a transformada de Hough, que utiliza coordenadas polares para extrair vetores que

contém as informações sobre as veias. O número de pontos que se cruzam e pontos que

indicam o m das veias são determinados pela técnica Chord to point distance accumulation

(CPDA). Enm, a modularização proposta pelos autores consiste em dividir a imagem em 16

módulos de igual tamanho, após isto a imagem é recortada usando as coordenadas espaciais

obtidas para gerar um retângulo de determinada largura e altura. O módulo de saída pode

variar por um ou dois pixels do tamanho especicado devido o módulo de saída incluir todos os

pixels da entrada que são total ou parcialmente fechados pelo retângulo. Analisando a gura

proposta no trabalho, evidenciasse que a imagem foi dividida por 4 linhas e 4 colunas gerando

uma matriz de pequenas imagens (chamadas por outros autores de subimagens), e a técnica

de extração de dados antes aplicada na imagem total, agora é aplicada sobre cada pequena

célula no intuito de melhorar a precisão do sistema. Todo o sistema proposto pelos autores

foi realizado com o uso do software Matlab® versão 7.5 e os resultados obtidos mostram que

o sistema melhora a identicação em relação ao método tradicional. As taxas de FAR e FRR

eram de 2,3% em sistemas que utilizam exatamente o mesmo projeto proposto mas sem a

técnica de modulação, e caíram para FAR igual a 2,1% e FRR igual a 1,274% após aplicação

da técnica proposta.

Os autores Malki e Spaanenburg (2010) propuseram a implementação de um sistema de

identicação biométrica baseado em FPGA. Os autores denem o sistema como sendo es-

sencialmente composto por três etapas: binarização responsável por transformar a imagem

proveniente de uma padrão de cinzas para um padrão de apenas preto e branco; esqueletoni-

zação como sendo o processo de reduzir a largura das veias em linhas de apenas um pixel e

remoção de pixels isolados, como sendo um método de redução de ruídos. Para isto, propõem

o uso do algoritmo Cellular Neural Networks (CNN) na implementação de um sistema que

detecte terminações das veias, cruzamentos (bifurcações) e pontos isolados na extração de

Page 49: proposicão de um algoritmo para identificação biométrica de ...

47

características das imagens. Trata-se de uma proposta de melhoria na qualidade da imagem,

mas os autores não relatam como a imagem foi adquirida, nem quais são os resultados da

proposta do trabalho, apenas comentam que como o sistema é embarcado em FPGA, o tempo

total de processamento é da ordem de 1µs enquanto que em outros sistemas este tempo é em

média de 15ms.

Os autores Zhang e Hu (2010) publicaram seus resultados de um trabalho de identicação

biométrica completo. Para a captura das imagens, utilizaram a câmera JAI AD-080 CL 1/3

que tem pico de resposta em 800nm, um conjunto de LEDs infravermelhos modelo Single

Chip Micyoco (SCM) com conexão direta à porta serial do microcomputador e a proposta é de

que a iluminação seja controlada via software no momento da aquisição da imagem, variando

a luminância de acordo com o contraste obtido, mas os autores não comentaram a realização

deste processo. Em seguida extraem a região de interesse (Region of Interest (ROI)) e aplicam

o método de agrupamento de Otsu para obter o melhor valor de threshold a ser aplicado na

imagem na fase de binarização. Analisando as equações do trabalho, nota-se que este método

foi utilizado para melhorar o contraste da imagem, o que tinha sido proposto inicialmente como

sendo uma fase desnecessária pelo uso de controle automático da iluminação, e na verdade,

a binarização foi feita utilizando o algoritmo de NiBlack, já comentado aqui neste capítulo.

Os autores não citam qual método utilizaram para a extração das características da imagem,

e em seus resultados, comentam que foram coletadas 180 imagens provenientes das palmas

das mãos de 30 pessoas, sendo 6 imagens capturadas por cada pessoa, e os resultados sobre

falhas é apresentado utilizando a curva Receiver Operating Characteristic (ROC) (esta curva

ilustra a falsa taxa de aceitação FAR e a falsa taxa de rejeição FRR no mesmo gráco, e a

área onde os dois índices se cruzam, é chamado de EER, que representa a taxa de erro entre

a FAR e a FRR), sendo que a taxa EER é de 1,82%.

Segundo Yuan (2010) um dos problemas de identicação biométrica está no posicionamento

incorreto da mão no momento da captura da imagem. Para solucionar este problema, propõem

um dispositivo de captura que utiliza um grip-type hand (suporte parecido com uma maçaneta

de porta convencional) para que o usuário o segure durante a aquisição da imagem. Como o

usuário é obrigado a segurar este dispositivo, dicilmente conseguirá rotacionar a mão causando

problemas na identicação das características. Ainda para a correção de possíveis desvios,

utilizam o algoritmo Border Pixel Vector (BPV) para localizar as bordas da imagem da mão,

e a distância Euclidiana para encontrar os pontos de máximo e mínimo ao rotacionar a imagem

no sentido horário. Isto faz com que os pontos de profundidade dos dedos seja localizada, e a

partir destes pontos, a região de interesse é selecionada, corrigindo qualquer possível rotação

da mão. A base do trabalho está nesta correção, a extração de características é baseada na

análise de minúcias assim como é feito em sistemas biométricos que utilizam o padrão de

Page 50: proposicão de um algoritmo para identificação biométrica de ...

48

impressão digital dos dedos e os resultados apresentados mostram a FAR em 1% e FRR em

0,67%, após análise de 600 imagens obtidas de 30 usuários.

Os autores Yüksel, Akarun e Sankur (2010) apresentaram um trabalho que demonstra ser

importante pelos resultados e pela técnica adotada. Para captura das imagens, utilizaram uma

câmera monocromática especial que captura imagens no espectro do infravermelho próximo,

de modelo WAT-902H2 ULTIMATE (CCIR), e criaram uma base de 1200 imagens provenientes

de 100 usuários, sendo 41 mulheres e 59 homens. A captura das imagens foram feitas em

condições especiais. Utilizaram uma sala escura para a aquisição das imagens impedindo assim

que qualquer luz no ambiente interferisse no processo, e adotaram quatro critérios diferentes:

a primeira imagem é coletada em condições reais, sem orientação do usuário quanto ao correto

posicionamento da mão no dispositivo; a segunda imagem é coletada após o usuário carregar

uma bolsa com três quilos durante um minuto; a terceira imagem é coletada após o usuário

car apertando uma pequena bola de borracha por um minuto e a quarta imagem é coletada

após o usuário colocar uma bolsa de gelo sobre a mão (o tempo não é relatado neste caso).

Para cada situação, foram realizadas três capturas de imagem, gerando um banco de dados

de 1200 imagens. Para a extração das características, utilizaram uma fusão de três algoritmos

diferentes. O primeiro algoritmo utilizado é conhecido como Independent Component Analysis

(ICA) e baseia-se em extrair estatisticamente variáveis independentes de uma imagem. O

segundo algoritmo utilizado é conhecido como Non-negative Matrix Factorization (NMF) que

tem como principal objetivo forçar com que as matrizes extraídas pelo algoritmo ICA não sejam

negativas e o terceiro algoritmo utilizado é o Line Edge Map (LEM) que realiza a extração

de linhas de uma imagem. No próximo estágio, citam que a binarização da imagem pode

ser feita com adoção de um threshold global ou local, e adotam diversos métodos na busca

de um melhor algoritmo (os métodos testados foram de Yasuda, Bernsen, NiBlack, Wang

e Otsu). Utilizando o algoritmo Modied Hausdor Distance (MHD) para a comparação

entre os métodos, escolheram o algoritmo de Yasuda como o mais eciente na binarização da

imagem. Chegaram à conclusão de que em condições normais, o algoritmo ICA é o melhor

a ser aplicado, mas em condições especiais (após carregar peso, exposição ao gelo e pressão

sobre a bola elástica) o melhor algoritmo a ser adotado não foi denido pois reconheceram

que cerca de 25% dos pontos extraídos não tem relação com as condições de stress adotadas.

Propõem assim em um projeto futuro a implementação de um algoritmo que possa extrair em

condições especiais as principais características das imagens para tornar o sistema biométrico

mais robusto.

O trabalho dos autores Yang, Liu e Liu (2010) apresentou um processo inédito na esqueleto-

nização da imagem de padrão de veias das mãos. A proposta é de se dividir o processamento

da imagem em várias etapas. A primeira etapa consiste em normalizar a imagem padroni-

Page 51: proposicão de um algoritmo para identificação biométrica de ...

49

zando o tamanho e a escala de cinzas de cada imagem adquirida, pois segundo os autores,

as mãos de diferentes pessoas apresentam diferentes tamanhos e deve ser denido um tama-

nho padrão para o sistema biométrico, e a modicação dos níveis de gordura nas mãos ou

diferenças na iluminação também variam e devem ser normalizadas. Para a normalização, foi

proposto um algoritmo que extrai a média e a variância de cada imagem, e aplicam-se estes

valores para normalização do padrão de cinzas. O tamanho é denido experimentalmente para

ser 256x256 pixels, mas o algoritmo que realiza isto automaticamente não é comentado. O

próximo passo proposto é a segmentação, e então os autores utilizam o algoritmo de NiBlack

(threshold dinâmico local) mas relatam que esta aplicação gera protuberâncias nas veias e a

forma de se resolver isto é passando a imagem por um ltro Gaussiano passa baixa 5x5 2D.

Os autores relataram que os melhores resultados foram obtidos ao se passar este ltro por

seis vezes na mesma imagem, no entanto os resultados melhoram mas são gerados ruídos. A

próxima etapa consiste em retirar estes ruídos, através da aplicação de ltros de suavização

de imagem e o ltro adotado nada mais é que um ltro passa faixa focado em frequências

médias (estas frequências não são expostas no trabalho). Nem todas as protuberâncias são

extraídas, então os autores propõem o uso do algoritmo de Wang et al. (2006)a, que usa um

modelo para remover oito tipos diferentes de pontos com pixels vizinhos de padrão diferentes,

e os resultados visuais são muito bons. Ainda assim, existem protuberâncias e a proposta para

retirá-los é de aplicar uma algoritmo de poda que consiste em analisar a imagem linha a

linha tentando encontrar pixels pretos que não coincidem com pixels de mesmo tom ao seu

redor, e eliminá-los. Os testes de identicação foram feitos usando o algoritmo SVM, e os

resultados apresentados mostram taxa de reconhecimento de 95,5%. Visualmente, as imagens

obtidas após todas as etapas propostas são muito boas, resumidas em linhas de um único pixel

sem nenhuma protuberância, e o artigo apresenta passo a passo como os resultados podem

ser reproduzidos.

Segundo Zhou e Kumar (2010) uma forma eciente de se extrair as características dos

padrões de veias das mãos é de se aplicar múltiplos algoritmos, criando um sistema multimodal.

Vários autores relataram sistemas multimodais unindo características biométricas diferentes,

e este trabalho utiliza a mesma biometria mas a extração das características é realizada por

quatro diferentes algoritmos. Os algoritmos de fase Heussiana (Heussian phase) e de Ordinal

Code representam um tipo de características de fase, ou seja, quantica valores de acordo

com algum threshold ou relação entre pixels); o algoritmo Laplaciampalm pertence à classe de

algoritmos que representam a aparência da imagem baseado nas características subespaciais e o

algoritmo Localized Radon Transform (LRT) codica as características de orientação angular

da imagem. Todos os quatro algoritmos já foram comentados aqui como sendo aplicados

em trabalhos de outros autores. Neste trabalho, os autores testam individualmente todos os

Page 52: proposicão de um algoritmo para identificação biométrica de ...

50

algoritmos sobre o banco de dados de imagem da CASIA (2010).

Chinese Academy of Sciences Institute of Automation (CASIA) é um grupo criado com a

nalidade de gerar imagens de diversas partes do corpo para criar bancos de dados usados em

sistemas biométricos. Os resultados obtidos usando apenas uma imagem (os autores propõem

uma técnica de treino, que a princípio parece relatar um sistema de inteligência articial, mas

na verdade trata-se de tirar a média entre várias imagens e utilizar esta média como sendo a

gura de referência) relatam os seguintes índices (taxa de reconhecimento):

Hessian Phase: mão direita = 95% e mão esquerda = 91%;

LRT: mão direita = 96,67% e mão esquerda = 91,33%;

Ordinal Code: mão direita = 97,67% e mão esquerda = 91%;

Laplaciampalm: mão direita = 77,67% e mão esquerda = 75%;

Combinação entre os quatro algoritmos: mão direita = 98% e mão esquerda = 96,67%.

Os resultados obtidos usando três imagens (relatado como sistema treinado, na verdade apre-

senta a média de três diferentes imagens obtidas do mesmo usuário) relatam os seguintes

índices (taxa de reconhecimento):

Hessian Phase: mão direita = 97,67% e mão esquerda = 97,33%;

LRT: mão direita = 99% e mão esquerda = 98,33%;

Ordinal Code: mão direita = 99% e mão esquerda = 98,67%;

Laplaciampalm: mão direita = 91,67% e mão esquerda = 87%;

Combinação entre os quatro algoritmos: mão direita = 100% e mão esquerda = 99,67%.

O que chamou a atenção neste trabalho foi o fato de que os décimos apresentados nas taxas de

reconhecimento são sempre os mesmos para cada algoritmo, em uma análise de 600 imagens,

sendo que na segunda proposta, foi utilizada a composição de 3 imagens de cada usuário,

resultando em 1800 imagens. Estes décimos mostram 1/3 ou 2/3 do inteiro para cada análise

(0,33% ou 0,67%).

O próximo trabalho avaliado é de autoria de Wang, Li e Cui (2010) e propõe um sistema

biométrico baseado no padrão de veias da parte dorsal da mão. O tema principal do trabalho

está no método de extração das características da imagem. Os autores dividem o trabalho em

várias etapas, e a primeira etapa consiste em adquirir a imagem, usando uma câmera CCD de

baixo custo (não relatado o modelo e fabricante), e dois conjuntos de LEDs infravermelhos

Page 53: proposicão de um algoritmo para identificação biométrica de ...

51

dispostos aos lados esquerdo e direito da câmera. Após a captura da imagem, são usados três

ltros diferentes, sendo: Matched lter, Wiener lter e Smoothing lter. Os autores relatam

que devido às imagens serem naturais, não é fácil calcular a taxa de sinal ruído (Signal-to-noise

ratio (SNR)), então usaram a variação total (Total Variation (TV)) para avaliar o nível de

ruído. Com o uso desta técnica, comprovaram a ecácia do uso dos três ltros. A correção

da rotação da imagem é feita utilizando o algoritmo Circle Partition LBP (não comentado

como foi realizado) e a região de interesse foi extraída usando a mesma técnica proposta por

Kumar e Prathyusha (2009) já comentada, a normalização da imagem é feita calculando-se

a média de tons de cinza sobre a imagem total e adotando este parâmetro para regulação, e

nalmente, a proposta original do trabalho está na aplicação do algoritmo LBP particionado,

chamado pelos autores de Partition Local Binary Pattern (PLBP). A proposta é de se dividir

a imagem em pequenas células e aplicar o algoritmo LBP nestas células, pois segundo eles, os

vetores extraídos identicam com maior precisão a pessoa, em relação à aplicação do algoritmo

aplicado à imagem inteira. Vale comentar que originalmente o algoritmo LBP foi proposto

pelos autores Zhao et al. (2005) e melhorado pelos autores Zhao, Wang e Wang (2007). O

interessante nesta proposta é que o algoritmo utilizado extrai vetores referentes às texturas

da imagem, e com isso, não é necessário realizar threshold, esqueletonização e binarização

da imagem, aumentando a velocidade de processamento e diminuindo erros inseridos por uso

destas três técnicas citadas. Os resultados apresentados são provenientes da análise de 2040

imagens de 102 pessoas, sendo 52 homens e 50 mulheres, e a taxa de reconhecimento cou em

95,1961%, indicando que o trabalho é válido. O autor compara seus resultados com autores

que utilizaram outras técnicas de extração, mas se comparado aos trabalhos originais que usam

algoritmo LBP, os resultados seriam piores.

Os autores Sanchit et al. (2011) iniciam o ano de 2011 com uma proposta de sistema

biométrico multimodal. A proposta é de se utilizar a imagem da mão e o padrão de veias da

mão em um único sistema de identicação. O trabalho só apresenta o estudo sobre a iden-

ticação utilizando o padrão de veias. Um protótipo montado com uma câmera modelo JAI

AD-080GE foi montado para a aquisição das duas imagens ao mesmo tempo, pois segundo os

autores, esta câmera possui dois sensores do tipo CCD, sendo um para imagens no espectro

de luz visível e o outro com pico de captura de imagens em 800nm. Um banco de dados

com 1400 imagens provenientes de 70 pessoas (10 imagens da palma da mão e 10 imagens da

parte dorsal da mão de cada pessoa) foi montado e cada imagem foi salva no padrão Tagged

Image File Format (TIFF) com resolução de 1024x768 pixels e oito bits por pixel. Na fase de

pré-processamento, é proposto um sistema de extração da região de interesse ROI baseando-se

em quatro pontos da mão mas o algoritmo utilizado e a região destes pontos não é citada.

Após determinação desta região, a imagem é recortada e redimensionada para 128x128 pixels.

Page 54: proposicão de um algoritmo para identificação biométrica de ...

52

Para a redução de ruídos, utilizaram o ltro médio como primeira etapa, em seguida usaram o

ltro Wiener 2D para suprimir o efeito dos ruídos de alta frequência e para o melhoramento do

contraste usaram equalização adaptativa do histograma. Na fase de extração das característi-

cas foi usado o algoritmo Circular 2D Gabor, que consiste em extrair matrizes provenientes das

frequências e desvios de padrão da imagem, muito utilizado em outros processamentos biomé-

tricos tais como identicação por íris e retina. A distância de Hamming foi usada para validar

a identicação das pessoas (chamado pelos autores de algoritmo métrico). A fusão entre os

dados extraídos do padrão de veias e da impressão digital da mão foi feita usando a técnica

de score level, proposto inicialmente por Toh et al. (2005) que consiste em criar texturas a

partir da soma de duas ou mais imagens. Os resultados apresentados mostram índices de EER

igual a zero, enquanto que o EER do processamento de apenas a palma das mãos foi de 1,39

e do dorso das mãos foi de 1,43. O tempo de processamento em sistemas multimodais já foi

comentado várias vezes como sendo o critério restritivo, e os autores apresentaram o tempo

total de 0,975 segundos, enquanto que o tempo para processamento da palma da mão era de

0,3458 segundos e do dorso da mão de 0,3631 segundos, mostrando assim que neste caso o

tempo total não foi a soma dos dois processamentos, e sim um valor triplicado dos tempos

individuais. Em sistemas com alto volume de usuários, o tempo aproximado de um segundo

por pessoa para o processamento pode ser considerado como fator proibitivo da aplicação do

sistema proposto.

O trabalho dos autores Wang e Chen (2011) apresenta um sistema biométrico de identica-

ção de pessoas através do padrão de veias da parte dorsal das mãos, e a imagem é capturada

com a mão fechada. Para isto, utilizaram a câmera modelo SONY SSC-E473 que possui picos

de captura de 750nm a 1400nm para a aquisição de 10 imagens da mão direita e 10 imagens

da mão esquerda de cada usuário, sendo 20 homens e 5 mulheres, totalizando 500 imagens

analisadas. Para melhoria da imagem, utilizaram o ltro High Booster que tem a caracterís-

tica de melhorar os componentes de alta frequência preservando os de baixa frequência, em

seguida usaram um algoritmo detector de borda (não comentado) para extrair a imagem da

mão através da exclusão do fundo, usaram o operador Laplaciano para a fase de threshold e o

operador morfológico para extração de características. Os autores apresentaram seus resulta-

dos em precisão de 94,8% quando usada a mão direita, 91,9% quando usada a mão esquerda

e 93,35% quando usadas as duas mãos (na verdade esse valor é uma média simples entre

as precisões das mãos) mas não apresentaram qual técnica utilizaram para a vericação da

identidade das pessoas nem detalhes de como os algoritmos funcionam.

Os autores Mirmohamadsadeghi e Drygajlo (2011) apresentaram um trabalho original sobre

o melhor método de extração de características de imagens de padrão de veias das mãos. A

proposta é de se testar o algoritmo LBP já comentado pelo uso por diversos outros autores

Page 55: proposicão de um algoritmo para identificação biométrica de ...

53

(neste trabalho utilizaram o algoritmo LBP multi-escala) e o algoritmo Local Derivative

Pattern (LDP) como ferramentas para extração de características das imagens do banco de

dados CASIA (2010), portanto, a proposta é de se testar apenas os algoritmos, não realizaram a

aquisição das imagens. Após aplicação do algoritmo LBP, o melhor desempenho do sistema foi

apresentado quando a imagem é decomposta em 16 subimagens, e os 16 histogramas referentes

são concatenados em um descritor de tamanho igual a 3840, que representa toda a imagem. O

algoritmo LDP é muito utilizado em reconhecimento de padrões da face, e se comporta como

um algoritmo de segunda ordem por extrair a informação de variação derivativa da direção de

cada pixel, enquanto que o LBP pode ser caracterizado como de primeira ordem. O mesmo foi

aplicado sobre as mesmas 16 subimagens decompostas anteriormente, com ângulos denidos

em 0, 45, 90 e 135 graus. Os quatro histogramas obtidos foram concatenados e resultaram em

um descritor de tamanho igual a 16384. O método de identicação utilizado foi o algoritmo

de intersecção do histograma, proposto originalmente em 1991 por Swain e Ballard (SWAIN;

BALLARD, 1991) e os resultados apresentados mostram a taxa EER para o algoritmo LBP

igual a 0,0009 e EER para o algoritmo LDP igual a 0,004, provando assim que o algoritmo

LBP é a melhor ferramenta a ser aplicada em imagens de padrão de veias das mãos.

O ano de 2012 se inicia com a publicação do trabalho de Fischer, Rybnicek e Tjoa (2012)

e este apresenta um método eciente para se extrair as características das veias das palmas

da mão chamado de algoritmo Enhanced Local Gabor Binary Patterns Histogram Sequence

(ELGBPHS). Este algoritmo é muito utilizado em sistemas biométricos que identicam os

padrões faciais, e trata-se de uma combinação de ltro 2D de Gabor, algoritmo LBP e algoritmo

de intersecção de histograma. A proposta dos autores é aplicar este algoritmo em padrões de

veias para vericar a possibilidade de uso do mesmo. Para isto, utilizam o banco de dados de

imagens CASIA (2010), pois a única nalidade do trabalho é o teste do algoritmo. Segundo

os autores, a fase de pré-processamento consiste basicamente em segmentar o contorno da

mão na imagem, encontrar os dedos e xar pontos nas extremidades dos dedos, determinar a

região de interesse a partir destes pontos, extrair a região de interesse, rotacionar a imagem

para uma posição ideal e redimensionar. A fase de melhoramento do contraste e diminuição

de ruídos não é necessária pois o algoritmo ELGBPHS é usado para diversas condições de

iluminação no reconhecimento facial. Para a segmentação da mão, usaram o algoritmo Suzuki

85 Border Tracing Algorithm, que identica as bordas da mão pelo fato do fundo da imagem

ser totalmente escura. Para a identicação dos dedos e xação de pontos nas extremidades dos

dedos, usaram o algoritmo de distância Euclidiana. A localização da região de interesse é feita

xando-se valores de largura e altura de um retângulo em 100x100 pixels e 128x128 pixels, com

centro denido pela linha mediana do centro da mão. A extração e redimensionamento desta

região localizada é feita usando Ane Transformation. Com a região selecionada, aplica-se o

Page 56: proposicão de um algoritmo para identificação biométrica de ...

54

algoritmo ELGBPHS para a extração de orientações, frequências, fases, tamanhos e taxas de

aspecto que representam a imagem estudada. A partir destes dados, o algoritmo LBP produz

subimagens e histogramas destas subimagens são calculados. O algoritmo de intersecção do

histograma é usado então para comparar a similaridade entre dois histogramas. Se os níveis

de cinza de dois histogramas são idênticos, trata-se da mesma pessoa, e se forem diferentes,

a identicação é rejeitada. Os resultados apresentados mostram índices de FAR igual a 4,3 e

FRR igual a 0,3.

Os autores Tang, Huang e Wang (2012) realizaram um estudo sobre como extrair informa-

ções das veias de uma imagem infravermelha da parte dorsal das mãos. Para isto, utilizaram

técnicas de detecção de pontos. As imagens analisadas são de propriedade dos autores Zhao

e Wang (2008) e o banco de dados é chamado pelos autores de North China University of

Technology (NCUT) database. Após pesquisa breve sobre este banco de imagens, verica-

se que o mesmo foi utilizado por diversos autores que estudam na mesma universidade, as

imagens não estão disponíveis em nenhum domínio público. Em uma mesma imagem, aplica-

ram os algoritmos Dierence of Gaussians (DoG), Hessian-Laplace e Harris-Laplace. Estes

algoritmos são nomeados como detectores de gotas. Após análises, chegaram à conclusão

de que o melhor algoritmo detector de gotas para identicação de veias em uma imagem in-

fravermelha é o Hessian-Laplace, no entanto, o algoritmo Harris-Laplace também apresentou

uma boa detecção de pontos, então sugerem a fusão dos dois métodos através do algoritmo

Scale-Invariant Feature Transform (SIFT), e zeram análises de precisão entre os algoritmos

apresentados, mas não demonstram como as análises foram feitas. As conclusões mostram

que o melhor algoritmo a ser utilizado neste tipo de processamento realmente é a fusão entre

eles, pois apresenta precisão de 98,04%. O algoritmo Hessian-Laplace apresentou precisão de

95,49% e o algoritmo Harris-Laplace apresentou precisão de 96,08%.

O único trabalho publicado em 2014 é de autoria de Parthiban et al. (2014) e trata-se da

identicação de pessoas através do reconhecimento do padrão de veias dos dedos. Os passos

propostos são a conversão da imagem colorida para padrão de cinzas (as imagens utilizadas

não são relatadas de algum banco de dados ou como foram capturadas), em seguida melhorar

o contraste multiplicando cada pixel da imagem por uma constante (informação irrelevante,

assemelha-se a uma proposta de se adotar threshold dinâmico, usando a média ou a variância

como sendo este valor constante), redução de ruídos adicionando o ltro salt and pepper e o

uso de um ltro médio, e então converter a imagem em uma nova imagem com dupla precisão

(esta técnica de dobrar a precisão não foi explicada, apenas relatado como sendo realizado

através do uso do algoritmo de Sobel). A extração de dados é feita com o uso do algoritmo

Gradient Feature Selection, proposto originalmente por Huang et al. (2003) e a classicação

é feita com a distância Euclidiana. Os resultados apresentados mostraram taxa de EER igual

Page 57: proposicão de um algoritmo para identificação biométrica de ...

55

a 0,05.

Em 2015, foram publicados dois trabalhos relevantes ao tema em estudo. O primeiro

trabalho analisado é de autoria de Joardar, Chatterjee e Rakshit (2015) e trata-se de um equi-

pamento capaz de identicar pessoas através da captura de imagens no espectro infravermelho

utilizando uma câmera Raspberry Pi Model B, acoplada a um sistema do tipo pan-tilt para

que a busca da melhor posição de captura da imagem seja realizada de forma automática. O

enfoque principal do trabalho é o sistema automatizado de posicionamento da câmera, pois o

processo de identicação é realizado por esqueletonização da imagem já utilizada por diversos

outros autores. Criaram para os testes um banco de imagens contendo 300 imagens de 30

diferentes pessoas com faixa etária ente 21 a 42 anos. Na fase de classicação, propõem

um novo algoritmo chamado de Collaborative Representation-Based Classication (CRC), e

apresentam seus resultados de classicação em taxa de reconhecimento igual a 97,34%.

O trabalho de Alejo, Rodriguez e Kemper (2015) apresenta um sistema completo de iden-

ticação biométrica baseado no padrão de veias do dorso das mãos. Para a aquisição das

imagens criaram um equipamento composto por um sensor chamado de PalmVein Reader. Na

fase de binarização da imagem, usaram a técnica de se adotar um limiar nos tons de cinza

para excluir o fundo da imagem e deixar somente o conteúdo da mão, já relatado nesta tese

por diversas vezes como sendo método de threshold, para eliminar os nós dos dedos utiliza-

ram a distância Euclidiana na identicação dos locais mais profundos e recortaram a imagem

nesta região, na fase de segmentação utilizaram uma técnica de corte da imagem denida pela

maior porção da mão, mas não relataram sobre a possibilidade de rotação da imagem, e após

a região de interesse ROI ser extraída, aplicam novamente um método de binarização baseado

em threshold para destacar desta vez as veias da mão e realizar a esqueletonização da mesma

e para validação da identicação dos usuários utilizam os valores numéricos encontrados de

cada usuário para comparação direta e adotam como padrão de identicação que se a imagem

for parecida em até 90% ou mais com a imagem armazenada no banco de dados, o sistema

aprova o usuário. Os resultados são relatados em FAR igual a zero e FRR igual a 0,47, mas

os autores não relatam os resultados em termos de EER.

3.3 CONCLUSÕES FINAIS SOBRE A REVISÃO BIBLIOGRÁFICA

Foram realizadas análises de 160 trabalhos, sendo que inicialmente foram encontrados 141

trabalhos sobre o tema, e os 19 trabalhos excedentes foram encontrados após análise de

referência cruzada dos trabalhos iniciais, considerados importantes pelos autores. O estudo

sobre o tema teve início com a proposta realizada por Rice em 1984 e o pedido de patente em

1987 (RICE, 1987), e somente em 1991, MacGregor e Welford (1991) apresentaram trabalhos

Page 58: proposicão de um algoritmo para identificação biométrica de ...

56

sobre o tema mas infelizmente o Sr. Rice não é citado em nenhuma obra posterior como sendo

reconhecido o autor original. Desde então, diversos trabalhos foram publicados mas poucos

realmente apresentaram um resultado signicante com relação às propostas iniciais. No Gráco

1 abaixo, pode-se perceber que o período entre os anos de 2010 e 2012 foram fundamentais

para a publicação do tema, resultando em 66 trabalhos publicados em apenas 3 anos, o que

representa 40,6% de toda publicação sobre o tema. Nestes anos ocorreram dois congressos

internacionais organizados pela IEEE com o tema especíco sobre biometria, provavelmente

este fato levou ao alto índice de publicações neste período.

Gráco 1 - Quantidade de trabalhos publicados por ano de publicação

Fonte: Produção do próprio autor

Entre todos os trabalhos publicados, evidencia-se a distinção entre três principais métodos

de se reconhecer uma pessoa através do uso da identicação do padrão de veias das mãos. O

primeiro método é baseado na esqueletonização da imagem, ou seja, criar linhas com um único

pixel de largura para denir a veia, ignorando dessa forma sua espessura. Esta técnica é muito

útil pois faz com que as variações de espessura que possam existir ao longo dos anos sejam

ignoradas. Na verdade, esta técnica representa a maioria dos trabalhos apresentados (45 tra-

balhos entre os 160 trabalhos analisados) mas depende de diversos passos para a real extração

de características das veias, como a utilização de diversos ltros para diminuir ruídos. Outro

método utilizado é o line tracking, que baseia-se em adotar vetores para representação das

veias. Existem diversos métodos diferentes mas todos se baseiam na ideia original de adotar

vetores que representarão as características das veias, sendo os outros métodos apenas modi-

Page 59: proposicão de um algoritmo para identificação biométrica de ...

57

cações da proposta inicial. Com o uso desta proposta, foram identicados 16 trabalhos que

realmente utilizaram o método proposto. A terceira proposta é de se considerar a imagem total

da mão, e extrair as características desta imagem através da análise da textura, gerando assim

frequências. Estes métodos basicamente utilizaram a transformada de Fourier modicada, e

foram encontrados 6 trabalhos utilizando a transformada de Wavelet e um trabalho utilizando

a transformada de Ridgelet. Baseando-se no critério de quantidade de informações, este ter-

ceiro método é o mais eciente, no entanto, o que mais requer uso computacional, portanto,

não foi muito utilizado no passado pelo aumento do tempo de análise por computadores de

baixo desempenho. De todos os trabalhos analisados, 56 publicações trataram características

especícas, sem utilizar algum método de extração. Pode-se visualizar no Gráco 2 abaixo a

relação dos três métodos mais utilizados.

Gráco 2 - Métodos de extração utilizados

Fonte: Produção do próprio autor

Para a aquisição das imagens, foram encontrados 21 trabalhos que propuseram protótipos.

Destes, 19 foram chamados de projetos de baixo custo, e três projetos foram considerados

de alto desempenho (um projeto utilizando câmera NIR especíca, um projeto utilizando um

equipamento de ultrassom especíco para uso médico e um projeto utilizando uma câmera

térmica FIR) . Dos projetos relatados como de baixo custo, todos utilizaram câmeras portáteis

ou do tipo webcam, e realizaram modicações nestes equipamentos para a devida captura

das imagens. Os outros trabalhos utilizaram três bancos de imagens existentes, sendo o

Page 60: proposicão de um algoritmo para identificação biométrica de ...

58

BOSPHORUS (2010), o CASIA (2010) e o banco utilizado pelos autores Kabacinski e Kowalski

(2011). Foi solicitado acesso aos três bancos de imagens para análise, e o primeiro banco

foi disponibilizado sem muito trabalho, apenas através do cadastro pelo site indicado na

bibliograa. O banco de dados tem o nome Bosphorus, e foi carregado para análise visual das

imagens geradas. A aprovação do cadastro levou cerca de 10 dias e em seguida foi fornecida

uma senha para acesso ao banco de imagens. O segundo banco de imagens também solicitou

cadastro, e após uma semana, foi enviada uma resposta por e-mail pedindo o preenchimento

e envio de um formulário assinado e carimbado pela instituição de ensino e o responsável pelo

uso das imagens, com diversas restrições de uso, então o uso deste banco foi descartado pelas

diculdades encontradas, e o terceiro banco de imagens citado não foi encontrado em nenhum

local público para solicitação ou acesso.

Os algoritmos utilizados na extração das características das imagens representam a maioria

do conteúdo dos trabalhos analisados. Pode-se vericar que o uso dos algoritmos NiBlack,

transformada de Wavelet, PCA e LBP foram muito citados, mas existem diversos outros

algoritmos utilizados. O Gráco 3 abaixo apresenta as siglas destes algoritmos, e a quantidade

que cada um foi usada.

Gráco 3 - Algoritmos utilizados na extração de características das imagens

Fonte: Produção do próprio autor

Quanto aos classicadores utilizados, basicamente foram apresentados os métodos da dis-

tância de Hamming, distância Euclidiana, distância de Hausdor, DCT e SVM. Os trabalhos

iniciais utilizaram a distância de Hausdor, em seguida a distância Euclidiana foi a mais uti-

Page 61: proposicão de um algoritmo para identificação biométrica de ...

59

lizada, e os outros métodos foram citados mas não representam a maioria dos trabalhos. Os

resultados apresentados não são demonstrados pelos autores como tendo alguma relação com

os classicadores, não existe nenhum estudo sobre qual o melhor método a ser utilizado. O

Gráco 4 abaixo apresenta a quantidade de vezes que estes métodos foram utilizados.

Gráco 4 - Algoritmos classicadores utilizados

Fonte: Produção do próprio autor

Quanto ao tipo de imagem obtida, foram avaliados todos os trabalhos que analisaram o

padrão de veias da região das mãos, sendo que estes padrões foram extraídos das palmas das

mãos, da parte dorsal das mãos com a mão fechada e com a mão aberta, sistemas multi-

classicadores que utilizaram imagens tanto da palma quanto da parte dorsal das mãos, dos

dedos e do pulso. Abaixo no Gráco 5 pode-se vericar a quantidade de trabalhos analisados

de acordo com cada característica já comentada. Neste gráco, pode-se perceber que o maior

enfoque de pesquisa está na análise de padrão de veias dos dedos, que representam cerca de

35,8% dos trabalhos já publicados (38 análises entre 106 trabalhos, lembrando que o total foi

de 160 trabalhos, mas que apenas 106 especicaram o uso de algum padrão de veia analisado).

Foram analisados ainda 7 sistemas multimodais que utilizaram o padrão de veias das mãos,

dedos e pulso em conjunto com outros sistemas como a impressão digital da mão, mas em

todos os casos, o sistema apresenta melhoria nos índices de identicação e proporcionalmente

aumento no tempo de processamento, inviabilizando-os quanto ao uso em sistemas com muitos

usuários cadastrados. Os melhores tempos de resposta conseguidos foram com o uso de

hardware dedicado (uso de FPGAs) e este tempo cou em torno de 10µs para sistemas

Page 62: proposicão de um algoritmo para identificação biométrica de ...

60Gráco 5 - Padrões de veias analisados

Fonte: Produção do próprio autor

unimodais, e os melhores tempos em sistemas multimodais cou em torno de 900ms.

Foram ainda analisados 4 trabalhos que trataram especicamente a possibilidade de fraudes

nestes sistemas, e 2 trabalhos que analisaram a legislação especíca sobre este assunto. Em

relação à análise nal da revisão bibliográca, considera-se que os métodos de esqueletonização

se esgotaram, pois por volta do ano de 2010 não surgiram novos trabalhos inovadores, os

resultados que foram apresentados chegaram ao melhor método possível. Quanto aos métodos

de vetorização, não surgiram novos trabalhos, e os resultados apresentaram baixos índices

de conabilidade, e os métodos de extração de características que extraem frequências das

imagens são os mais viáveis para estudos pois no passado seu uso era inviabilizado pelo

processamento das imagens requererem alto desempenho computacional, o que já não é um

empecilho na atualidade.

Page 63: proposicão de um algoritmo para identificação biométrica de ...

61

4 MATERIAIS E MÉTODOS

Neste capítulo serão demonstradas as etapas de desenvolvimento do projeto proposto. Inici-

almente um protótipo foi criado para a aquisição das imagens, e o detalhamento de todo o

desenvolvimento está descrito abaixo. A seguir, serão apresentados os algoritmos utilizados

para devido tratamento de imagens obtidas e o método de identicação de pessoas.

4.1 PROTÓTIPO PARA AQUISIÇÃO DAS IMAGENS

Após a revisão bibliográca sobre o tema, nota-se que de 160 trabalhos analisados, apenas

3 comentaram sobre um banco de imagens disponível, no entanto, somente um destes bancos

está acessível. Após análise do conteúdo, foi concluído que seria interessante obter as próprias

imagens com alguns recursos que nunca haviam sido utilizados. A partir desta proposta, foram

analisadas todas as câmeras utilizadas em outros trabalhos e citadas como sendo de baixo

custo, e percebe-se que todas são de baixa resolução e foco manual. Com esta informação,

foi denida a pesquisa sobre câmeras de baixo custo que tivessem recursos mais avançados em

relação às câmeras relatadas na revisão bibliográca e escolhido o modelo C525 da empresa

Logitech. A mesma possui os seguintes recursos: (LOGITECH, 2014)

Videochamada HD (1280 x 720 pixels) com sistema recomendado;

Captura de vídeo HD em até 1280 x 720 pixels;

Tecnologia Logitech Fluid Crystal ;

Foco automático;

Fotos com até 8 megapixels (com otimização do software);

Microfone embutido com tecnologia Logitech RightSound ;

USB 2.0 de alta velocidade certicado;

Clipe universal que se ajusta a laptops e monitores LCD ou CRT.

Os recursos mais importantes a serem utilizados neste trabalho são o foco automático e a

alta resolução da câmera, até então não utilizados como recursos nos projetos que utilizaram

câmeras de baixo custo, caracterizando assim uma opção original. A intenção neste projeto

é de obter imagens da parte dorsal das mãos utilizando para isto iluminação infravermelha

no espectro próximo, também chamado de Near Infrared. Esta câmera escolhida contém

um sensor CCD capaz de obter imagens neste espectro, no entanto, como se trata de um

Page 64: proposicão de um algoritmo para identificação biométrica de ...

62

equipamento de uso comercial, normalmente os fabricantes instalam um ltro sobre o sensor

para que a luz penetrante seja somente no espectro visível, impedindo que o infravermelho

passe para evitar assim ruídos nas imagens. A primeira etapa a ser realizada desta forma

é a abertura da câmera para vericação da existência deste ltro, e em caso armativo, a

retirada do mesmo. Após abertura da câmera, foi necessário remover o conjunto das lentes

para vericar a existência do ltro. Trata-se de um vidro levemente esverdeado, que brilha em

tom avermelhado muito intenso ao girá-lo e posicioná-lo contra uma fonte de luz.

Com a remoção do ltro, a câmera é capaz de obter imagens em todo o espectro de luz,

no entanto, o que interessa é luz com comprimento de onda entre 700nm a 1100nm. Para

isto, deve ser instalado um ltro especíco. Na revisão da bibliograa, autores citaram três

possibilidades: ltro IR, negativo fotográco velado (exposto à luz solar para car preto) e

disquete. Foram realizadas tentativas com lme fotográco e com disquete pois estes visavam

o baixo custo, mas os resultados não foram satisfatórios. Foi utilizado então um ltro IR com

pico de passagem em 850nm, 67mm de diâmetro, de marca Hoya. Com o ltro instalado

sobre a lente da câmera na parte externa da mesma, foi realizada a captura da imagem de

uma mão. O resultado foi satisfatório, e pode ser visto na Figura 3.

Figura 3 - Imagem de uma mão obtida com ltro IR de 850nm

Fonte: Produção do próprio autor

Para a instalação da câmera, foi criado um protótipo. Em diversos estudos os protótipos

criados variaram de acordo com a criatividade dos autores dos projetos. Nenhum trabalho

conseguiu expor algum detalhe importante, a não ser quanto às características estéticas e

das dimensões para uso comercial. As análises feitas na revisão da bibliograa trataram os

trabalhos sobre padrões de veias das mãos, dedos e pulso, e alguns protótipos especícos

foram criados para a análise de dedos, como por exemplo um leitor em forma de cunha para

posicionamento da mão em uma única posição, evitando assim a rotação do dedo no momento

Page 65: proposicão de um algoritmo para identificação biométrica de ...

63

da aquisição da foto, mas quando se trata da captura de imagens das mãos, nada muito

especíco foi criado até o momento. Neste projeto, foi pensado em um protótipo robusto,

para que futuramente pudesse ser utilizado em um sistema real, e que impedisse ao menos

parcialmente a entrada de luz natural proveniente do ambiente onde o mesmo seria instalado,

pois mesmo com a instalação de uma lente que não permita a passagem de luz visível, o

espectro infravermelho está presente nos ambientes, podendo prejudicar a iluminação da mão

a ser analisada. Foi criado então um cubículo com 30cm de lado, com pers extrudados em

alumínio com 30mm de lado (perl quadrado), pés niveladores em nylon, e suportes superiores

para transporte. As laterais, topo, base e fundo foram fechados com placas de bra de madeira

de média densidade do tipo Medium Density Fiberboard (MDF) de 6mm de espessura cada,

revestidas com melamina branco, deixando aberta somente a parte frontal do cubículo para a

entrada da mão. Na base do protótipo, foi construída uma estrutura quadrada com 20cm de

lado e 2cm de altura, e tampada com acrílico transparente de 5mm, pensando-se em utilizar

esta base como apoio da mão no momento da aquisição da imagem.

4.1.1 Sistema de iluminação

Em todos os projetos analisados, o sistema de iluminação infravermelha utilizou LEDs de

modelos diferentes. Os fabricantes foram citados e na prática os LEDs em geral emitem luz

no espectro de 720nm, 850nm e 940nm (três modelos mais utilizados). Na escolha de qual

melhor LED a ser utilizado, o LED de 720nm está muito próximo do espectro de luz visível,

inclusive pode-se notar a olho nu o tom avermelhado quando o mesmo está energizado e este

não é o pico de maior absorção de luz pela hemoglobina segundo XiaoXia (2004). O LED de

850nm não emite luz visível e seu pico está exatamente na região de maior absorção de luz

pela hemoglobina segundo Wang et al. (2006)b, e este foi o componente escolhido para uso

no projeto. Ainda comentando-se sobre o LED de 940nm, sua absorção pela hemoglobina é de

praticamente apenas 30% segundo Bin et al. (2009), que no caso deste autor em especíco,

foi suciente para captura das imagens, mas os ltros neste espectro são caros (da ordem

de três a seis vezes o custo do ltro de 850nm) e são pouco utilizados, portanto, difíceis

de serem encontrados para compra. Segundo XiaoXia (2004), os índices de refração entre

a luz infravermelha e as diversas estruturas das mãos são muito maiores que os índices de

absorção pela hemoglobina, no entanto, as veias tem o efeito de refração muito maior que as

outras estruturas, e a hemoglobina apresenta o mesmo efeito, portanto, ao aplicar a radiação

infravermelha sobre a mão, a maior parte da imagem aparece em um tom claro, enquanto que

as veias aparecem escuras. Seja pela absorção de luz pela hemoglobina, seja pelo efeito de

refração pelas veias, o sistema de iluminação é eciente neste caso.

Page 66: proposicão de um algoritmo para identificação biométrica de ...

64

Os projetos existentes utilizam um único componente de luz (barra com LEDs dispostos

em linha), dois conjuntos lineares de LEDs dispostos lado a lado, ou conjuntos concêntricos

instalados a mesma região da câmera. Segundo os autores Zhao, Wang e Wang (2007) a luz

incidida diretamente sobre a mão apresenta baixo contraste, no entanto, é mais difusa, e se

espalha diminuindo regiões muito claras ou muito escuras (homogeneidade). Quando a luz é

aplicada ao lado contrário da câmera, fazendo com que a mesma ultrapasse a mão (chamado

de modo penetrante pelos autores), o contraste é muito melhor (as veias aparecem com mais

nitidez), no entanto, são criadas regiões heterogêneas, dicultando a aplicação de ltros.

Quanto à direção, as bordas das mãos apresentam menor volume enquanto que o centro das

mãos apresentam maior volume, portanto, ao aplicar luz sobre a mão em uma única posição,

é normal iluminar melhor as bordas que o centro da mão. Pensando em todos estes detalhes,

foi escolhido um sistema híbrido visando diminuir todos estes efeitos. Foram criados quatro

conjuntos lineares de LEDs infravermelhos, com 10 LEDs cada conjunto, e instalados na parte

superior do protótipo, dispostos a 45 graus em relação ao topo, direcionando dessa forma luz

em todas as direções diretamente sobre a mão.

Os LEDs apontados diretamente para a mão podem gerar pontos de luz mais fortes em

algumas regiões e para tentar diminuir estes efeitos, foram criados difusores de luz baseados

em um material no de PVC transparente, e recoberto por um plástico adesivo na cor branca.

Este sistema instalado não foi observado em nenhum outro trabalho, mas também é conhecido

o fato de que a luz aplicada diretamente sobre a mão não gera bom contraste. Para resolver

este problema, foi criado um conjunto de LEDs na base do protótipo (composto por 10 LEDs),

dispostos na região palmar, sem a preocupação de iluminar os dedos, que posteriormente serão

eliminados nas análises. A Figura 4 (a) apresenta este conjunto instalado e a Figura 4 (b)

apresenta a tampa de acrílico instalada, e a mão de um usuário na posição de captura da

imagem. Este sistema faz com que a luz atravesse a mão, melhorando assim o contraste da

imagem a ser capturada. Para diminuir a concentração de luz em pontos especícos (diminuir

a heterogeneidade da iluminação), foi instalada uma tampa de acrílico sobre os LEDs com um

plástico adesivo branco colado na parte inferior do acrílico, servindo de difusor de luz. Os quatro

conjuntos instalados no topo do protótipo apresentam boa iluminação mas baixo contraste (luz

direta) enquanto que os LEDs instalados na base do protótipo geram alto contraste mas baixa

heterogeneidade. A hipótese levantada é que a instalação dos dois conjuntos compensem as

deciências individuais, pois este tipo de sistema não foi utilizado até então.

Ainda pensando-se em ter um sistema eciente de iluminação, foi criado um conjunto com 16

LEDs a serem instalados no mesmo local de instalação da câmera. Dessa forma, o conjunto

total de iluminação consiste em 66 LEDs, e é a combinação dos três tipos de iluminação

encontrados na bibliograa. Como não havia dispositivo para medição do espectro emitido

Page 67: proposicão de um algoritmo para identificação biométrica de ...

65Figura 4 - Conjunto de LEDs na base do protótipo

Fonte: Produção do próprio autor

por cada LED, foi feita a opção de compra de LEDs de mesma característica mas de fabricantes

diferentes (Optek e Everlight), na tentativa de garantir que ao menos parte da luz realmente

estivesse focada em 850nm.

Para este conjunto de LEDs também foi criado um difusor de luz como o já descrito. A

base criada para a câmera foi feita utilizando uma chapa quadrada de alumínio com 20cm de

lado e 2mm de espessura, e o difusor foi criado para cobrir toda esta área, deixando apenas

espaço no centro para a xação da câmera e do ltro infravermelho.

Para o controle da iluminação, foram criados circuitos eletrônicos independentes, compostos

por potenciômetros. O painel criado contém seis potenciômetros, responsáveis pelos ajustes

dos seguintes componentes:

Potenciômetro 1 = ajuste da iluminação superior barra linear de LEDs frontal;

Potenciômetro 2 - ajuste da iluminação superior barra linear de LEDs superior esquerda;

Potenciômetro 3 = ajuste da iluminação superior barra linear de LEDs superior traseira;

Potenciômetro 4 = ajuste da iluminação superior barra linear de LEDs superior direita;

Potenciômetro 5 = ajuste da iluminação inferior, base da mão;

Potenciômetro 6 = ajuste da iluminação superior, câmera.

Toda a alimentação do circuito dos LEDs é feita com uma fonte de alimentação Direct Current

(DC) de 24 Vcc e 50W, alimentação de 90Vac a 240Vac, modelo MS-50-5 do fabricante PWM

Steady. O painel de controle de iluminação e a fonte de alimentação foram xados na parte

traseira do protótipo.

Page 68: proposicão de um algoritmo para identificação biométrica de ...

66

4.1.2 Posicionadores das mãos

Para a captura das imagens, durante o processo de aquisição, notou-se que o usuário tinha

grande diculdade em posicionar corretamente as mãos, alguns colocavam as mãos fechadas,

outros colocavam a mão lateralmente ao equipamento, enm, perde-se grande tempo nas

instruções aos usuários quanto ao devido funcionamento do equipamento. Outro problema foi

encontrado quanto às dimensões da base, pois alguns usuários colocavam as mãos no fundo

do protótipo, fazendo com que a câmera capturasse fotos de parte do braço. No intuito de

resolver estes problemas, capturar imagens somente da região de interesse e diminuir o tempo

de aquisição de imagens gasto com instruções inicias de uso a cada usuário, foram instalados

pinos na base do protótipo, sendo três pinos de poliuretano vermelho com 10mm de diâmetro

e 15mm de altura posicionados exatamente nos vales entre os dedos indicador, médio e

anelar. No vale entre o polegar e o dedo indicador, foi instalado um pino de mesmo material

mas com diâmetro de 15mm, e outros dois pinos com este mesmo diâmetro foram instalados

lateralmente ao pulso, evitando assim rotação da mão no interior do dispositivo. Ainda foi

instalado um pino de mesmo material com 25mm de diâmetro na região à direita da ponta

do dedo indicador, que serve de base sobre o correto posicionamento dos dedos. Abaixo na

Figura 5 pode-se ver os pinos instalados na base do protótipo e o desenho da mão na mesma

base, melhorando assim o posicionamento da mão.

Figura 5 - Base com pinos para posicionamento da mão

Fonte: Produção do próprio autor

Sobre a base, foi colado um material plástico de cor preta no formato de uma mão, para

ajudar o usuário a reconhecer de forma automática como este deve posicionar sua mão dentro

do equipamento. Esta modicação no protótipo diminuiu o tempo de aquisição das imagens,

que estavam sendo realizadas em torno de um minuto e meio gastos nas instruções e aquisição

de 10 imagens de cada usuário, e passou a ser de apenas 40 segundos. Os pinos foram

Page 69: proposicão de um algoritmo para identificação biométrica de ...

67

instalados com base na mão direita, portanto, esta foi a mão padronizada nas análises deste

trabalho.

Com o protótipo montado, foram então adquiridas imagens para a montagem de um banco

de dados. As imagens foram obtidas de 52 alunos de uma faculdade, sendo 10 imagens

de cada usuário, totalizando 520 imagens, e foram salvas no formato Joint Photographics

Experts Group (JPEG). Os arquivos foram salvos com dados de cada usuário, e a identicação

foi feita utilizando o número de matrícula, como forma de preservar a identidade das pessoas

que se propuseram a colaborar na fase de coleta das imagens. Ainda no arquivo, foram salvos

dados como sexo, altura, peso e idade, para que em análises futuras possam ser cruzadas

estas informações com as taxas de falsa aceitação e falsa rejeição. O formato dos nomes dos

arquivos segue o padrão AAAAAAAA_B_CCC_DD_EE(F), e cada informação dentro desta

string tem o seguinte signicado:

AAAAAAAA = número de matrícula na faculdade onde o usuário estuda, composto por

oito números;

B = sexo, que pode ser M (masculino) ou F (feminino);

CCC = altura em centímetros;

DD = peso corporal em quilogramas;

EE = idade em anos;

(F) = amostra da imagem, variando de zero a 9, de acordo com a ordem de aquisição.

A partir das imagens obtidas, é necessário tratar estas imagens de modo a garantir homoge-

neidade, e eliminar possíveis inuências do ambiente. Esta etapa é comumente chamada de

pré-processamento, e nesta tese, foram escolhidas três técnicas de equalização. Na fase de

classicação dos dados, serão testadas as técnicas de equalização global do histograma, ma-

peamento e ajuste de intensidade de cinza e equalização de histograma adaptativa por limite

de contraste. Também são testadas classicações sem nenhum método de equalização para

se comprovar qual é o melhor procedimento a ser adotado no sistema. A seguir, são expostas

as técnicas de equalização utilizadas nesta tese.

4.1.3 Equalização global do histograma

Trata-se de uma técnica utilizada em tratamento de imagens digitais com o intuito de ajus-

tar as intensidades dos níveis de cinza para melhoramento do contraste. Esta é a técnica de

melhoramento de contraste das imagens mais comentada e utilizada nos trabalhos analisados

Page 70: proposicão de um algoritmo para identificação biométrica de ...

68

na revisão bibliográca desta tese, portanto, foi escolhida para análise. Ainda comentando so-

bre este método, vários autores o citam como equalização global do histograma da imagem. A

seguir é relatado o princípio de funcionamento do algoritmo desta análise aplicado às imagens:

Seja f uma determinada imagem representada como uma matriz mr de intensidades de

pixels variando de 0 a L − 1 onde L é o número de possíveis valores de intensidade que

normalmente representam o valor máximo igual a 256 por tratarem de imagens com resolução

de oito bits. Seja h a grandeza que representa o histograma normalizado da imagem I com

um bit para cada intensidade possível. Dessa forma, pode-se descrever a Equação 1 abaixo

como:

pn =numero de pixels com intensidade n

numero total de pixelsn = 0, 1, 2, ..., L− 1. (1)

A imagem com o histograma equalizado será denida pela Equação 2:

gi,j = base((L=1)

fi,j∑n=0

pn), (2)

onde a base é arredondada para um menor valor, aproximando-se do número inteiro mais

próximo. O processo é equivalente a transformar as intensidades de pixel, k, de f pela função

denida na Equação 3:

T (k) = base((L=1)k∑

n=0

pn). (3)

Considera-se neste caso que a transformação dessa imagem supõe que as intensidades de f e

g são variáveis aleatórias contínuas X, Y em [0, L− 1] com Y denidas pela Equação 4:

Y = T (X) = (L=1)

X

0

pX(x)dx, (4)

onde pX é a função de densidade de probabilidade de f . T é a função de distribuição acumu-

lativa de X multiplicado por (L− 1).

4.1.4 Mapeamento e ajuste de intensidade de cinza

Outra ferramenta para ajuste e melhoramento do contraste em imagens é o mapeamento

dos valores de intensidade de níveis de cinza. Os valores de escala de cinza são mapeados e

rastreados para ajuste em uma região limiar, de tal forma que sejam denidas escalas de valor

mínimo e valor máximo. Caso o valor do pixel analisado ultrapasse estas escalas, tanto em

nível superior que o máximo ou abaixo do mínimo, o pixel é saturado nestes parâmetros. Os

Page 71: proposicão de um algoritmo para identificação biométrica de ...

69

parâmetros que compõem a aplicação no software Matlab® permitem variação de valores de 0

a 1, independente da classe dada à imagem a ser analisada. Não foram encontrados trabalhos

acadêmicos que apresentaram seus resultados com este tipo de aplicação para análise de

resultados, então o mesmo foi utilizado na aplicação do algoritmo sobre a mesma imagem

utilizada na equalização do histograma para validação ou rejeição de sua aplicabilidade em

biometria.

4.1.5 Equalização de histograma adaptativa por limite de contraste

Conhecido pela sigla Contrast Limited Adaptive Histogram Equalization (CLAHE), é uma

técnica similar à equalização global do histograma mas aplicado em pequenas regiões, de-

nominando essas pequenas regiões como sendo subimagens e analisando a luminosidade de

cada seção para encontrar valores ideais de contraste que serão aplicados em toda imagem

tratada. Na equalização global do histograma, existe uma característica não desejada do al-

goritmo amplicar o nível de ruído em regiões relativamente homogêneas do ponto de vista

do contraste, e o método CLAHE impede este efeito através da limitação da amplicação do

contraste. Para que este método possa ser utilizado é necessário especicar o parâmetro de

vizinhança, que representa quantos bits em torno de um único bit serão utilizados para se

aplicar a equalização global do histograma nesta pequena região. (ZUIDERVELD, 1994)

O método CLAHE pode ser dividido em passos descritos pelas Equações 5, 6, 7 e 8 abaixo:

Nmedio =NCR−XP

·NCR−YPNcinza

(5)

onde:

Nmedio é o número médio do pixel ;

Ncinza é o número de níveis de cinza na região analisada;

NCR−XPé o número de pixels na dimensão x (eixo de coordenadas cartesianas) da região

analisada;

NCR−YP é o número de pixels na dimensão y (eixo de coordenadas cartesianas) da região

analisada.

Baseado na Equação 5 acima, o índice de limite de contraste NCL pode ser calculado

pelo produto entre o múltiplo máximo da média dos pixels em cada nível de cinza da região

analisada Nclip e o número médio de pixels Nmedio, demonstrado na Equação 6 abaixo:

NCL = Nclip·Nmedio (6)

Com base nas equações acima, pode-se calcular o CLAHE da região contextual, e as regras

Page 72: proposicão de um algoritmo para identificação biométrica de ...

70

são dadas abaixo pela Equação 7:

Se HCR(i) > NCL, HNCR(i) = NCL;

Senao se HCR(i) +Nacp ≥ NCL, HNCR(i) = NCL; (7)

Senao HNCR(i) = HCR(i) +Nacp

Após a análise das regras acima, o restante dos pixels cortados são expressos por NLP , então

a distribuição de pixels é dada pela Equação 8 abaixo:

S =Ncinza

NLP

(8)

4.2 EXTRAÇÃO DAS CARACTERÍSTICAS BIOMÉTRICAS

Após a aquisição da imagem, extração da região de interesse e pré-processamento para me-

lhoramento do contraste, é necessário extrair as suas características, de forma a criar um vetor

digital para a devida comparação no sistema de identicação biométrica. De acordo com a

revisão bibliográca, o método mais aplicado no início das pesquisas sobre biometria utilizando

o padrão de veias das mãos é a esqueletonização da imagem, transformando toda a resolução

desta em padrões preto e branco, anando as veias a um único pixel através de técnicas de

threshold e binarização destes dados, considerando informação igual a zero quando o pixel é

preto e informação igual a um quanto o pixel é branco. Esta é uma técnica eciente, mas

um sistema que chegou às limitações do próprio sistema, conseguindo eciência nas melhores

aplicações de aproximadamente 100% na identicação. Outro método muito utilizado é a

vetorização das características da imagem através de técnica conhecida como line tracking.

Neste método, o esforço computacional é maior que nos métodos que utilizam a esqueletoni-

zação, pois as informações da imagem são armazenadas em matrizes com dados como direção

das veias, rotações possíveis e outros dados que teoricamente aumentariam a eciência, mas

os sistemas que apresentam esta técnica mostram índices de acerto menores que os índices

de esqueletonização. O terceiro método é a extração de características da imagem utilizando

uma abordagem espectral através da aplicação da série de Fourier, extraindo assim frequên-

cias da imagem. Estas técnicas são pouco usadas pois necessitam de muito processamento

computacional, e como os trabalhos apresentados na revisão bibliográca que utilizaram esta

técnica tem mais de quatro anos, nesta época os sistemas computacionais não suportavam

Page 73: proposicão de um algoritmo para identificação biométrica de ...

71

tais tentativas (realizavam a extração mas em tempos elevados tornando a aplicação prática

inviável). A representação desta imagem consiste em representar suas características internas

através da análise dos pixels que denominam as características morfológicas da imagem ou

então analisar as características externas quando o interesse não está na textura da imagem e

sim na sua forma. Neste caso, o interesse está na região interna da imagem extraída chamada

de ROI pois é a região que compõe as veias e a textura destas é de interesse neste estudo. A

textura a ser analisada é descrita pelas medições quantitativas de suas propriedades de regu-

laridade, rugosidade e suavidade, e as abordagens podem ser realizadas de forma estatística,

estrutural ou espectral. O interesse em aplicar análise de textura neste trabalho é característico

da abordagem espectral. (GONZALEZ; WOODS, 2001)

Quanto ao uso em si da transformada Curvelet em análises biométricas, não foi encontrado

nenhum trabalho anterior que utilizou este método para extração de características de veias

das mãos, portanto, a investigação sobre a viabilidade deste método foi feito em outras fontes.

O trabalho dos autores Dettori e Semler (2007) realiza a comparação entre as transformadas

de Wavelet, Ridgelet e Curvelet na extração de características de diversos tecidos humanos

em tomograas computadorizadas. Segundo os autores, foram testados valores de extração

com 2, 4 e 6 escalas e ainda 12, 14, 16, 18 e 20 ângulos nos parâmetros da transformada de

Curvelet e os melhores resultados foram obtidos com 4 escalas e 16 ângulos. Os resultados

apresentados mostram que as transformadas de Wavelet, Ridgelet e Curvelet são ecientes

na extração de características, no entanto, a transformada de Curvelet é mais eciente que

os outros métodos, pois apresentam índices de precisão e exatidão maior em qualquer com-

ponente humano testado. Para a identicação de diversos tecidos humanos em tomograas

computadorizadas, os índices são apresentados na Tabela 1:

Pode-se vericar na Tabela 1 que em todos os tipos de tecidos analisados, a transformada

Curvelet foi mais precisa, e o método da transformada Curvelet adotado pelos autores foi

a Fast Discret Curvelet Transform (FDCT) utilizando a função wrapping. (DETTORI;

SEMLER, 2007)

Em outro trabalho similar, os autores AlZubi, Islam e Abbod (2011) utilizaram os três méto-

dos citados acima para a segmentação e ltragem de imagens, e armam que a transformada

Curvelet é mais precisa na reconstrução de imagens, na detecção de áreas de interesse e ainda

no processo de diminuição de ruídos.

O trabalho dos autores Eltoukhy, Faye e Samir (2010) propõe um sistema que compara o

uso das transformadas Wavelet e Curvelet na extração de características de imagens médicas,

mais especicamente em mamograas digitais, e para isto, utilizaram o banco de imagens da

Mammographic Image Analysis Society (MIAS) composto por 322 mamogramas provenientes

de 161 pacientes, dos quais 51 casos foram considerados com câncer maligno, 64 casos com

Page 74: proposicão de um algoritmo para identificação biométrica de ...

72Tabela 1 - Resultados da análise comparativa entre Wavelet, Curvelet e Ridgelet

ÓRGÃO DESCRITOR SENSIBILIDADE PRECISÃO EXATIDÃO

ColunaCurvelet 99,4% 95,3% 98,9%Ridgelet 91,5% 96,8% 98,0%Wavelet 82,6% 82,6% 93,7%

CoraçãoCurvelet 89,7% 95,5% 97,1%Ridgelet 82,5% 88,5% 94,6%Wavelet 59,0% 67,0% 85,0%

RimCurvelet 96,0% 93,5% 97,6%Ridgelet 95,4% 82,0% 93,8%Wavelet 77,7% 69,9% 88,6%

FígadoCurvelet 95,9% 94,3% 98,0%Ridgelet 86,9% 84,4% 94,0%Wavelet 87,3% 82,6% 92,8%

BaçoCurvelet 91,8% 94,9% 97,6%Ridgelet 76,9% 88,0% 93,8%Wavelet 65,5% 69,7% 89,5%

MédiaCurvelet 94,6% 94,7% 97,9%Ridgelet 86,6% 88,0% 94,8%Wavelet 74,4% 74,4% 89,9%

Fonte: (DETTORI; SEMLER, 2007)

câncer benigno e 207 casos considerados como normais. Na aplicação da transformada Wa-

velet, os autores empregaram quatro níveis de decomposição, e para a transformada Curvelet,

utilizaram a técnica wrapping com 4 escalas e 16 ângulos. Os resultados obtidos sobre a

comparação entre imagens com câncer benigno, maligno e sem câncer apresentaram índices

sobre a transformada Wavelet de 90,05%, 86,75%, 85,5% e 85,5%, para os quatro níveis de

decomposição utilizados enquanto que a transformada Curvelet apresentou taxa de acerto de

94,07%, mostrando assim ser uma ferramenta capaz de extrair informações de imagens com

o intuito de identicação de padrões.

Visto que a transformada Curvelet é o algoritmo mais atual e eciente na extração de

características de imagens, este será o método aplicado neste trabalho. Para utilização do

algoritmo, foi necessário realizar um cadastro no site dos autores por e-mail, solicitando acesso

ao download para utilização no software Matlab®. O processo de geração de senha e liberação

de acesso ao site levou cerca de três dias e o pacote com as ferramentas para utilização da

transformada Curvelet sobre o Matlab® tem cerca de 1,29Mb. (CURVELET, 2007)

A nalidade da transformada Curvelet nesta tese é a extração de características das imagens

e para isto, a mesma será aplicada em duas dimensões (i.e. R2), com variável espacial x, ω

será a variável do domínio da frequência e θ e r serão as coordenadas polares no domínio

da frequência. Serão consideradas duas janelas, representadas pelos termos W (r) e V (t)

respectivamente, que serão chamadas de janela radial e janela angular, respectivamente, que

Page 75: proposicão de um algoritmo para identificação biométrica de ...

73

são suaves, não negativas e reais, com W tendo argumentos reais e positivos apoiadas em

r ∈ (1/2, 2) e V tendo argumentos reais com suporte emt ∈ [−1, 1].

4.2.1 Transformada Curvelet

A transformada Wavelet possui limitações para representação ou decomposição de carac-

terísticas em objetos que contém bordas e curvas dispostas na imagem randomicamente e

singularidades de linhas, e para solucionar estas falhas Candès (1999) criou uma transformada

adaptada da Wavelet (mais especicamente da Transformada de Ridgelet), conhecida como

Curvelet e é muito utilizada para remoção de ruídos, decomposição de sinais e extração de

características de imagens através da análise de texturas, melhoramento de contraste e di-

versos outros tratamentos utilizados em processamentos de imagens. (STARCK; CANDÈS;

DONOHO, 2002)

Em 1999 foi criada a primeira transformada de Curvelet no entanto a aplicação da mesma

em tratamento de imagens era dicultada pelo excesso de tempo gasto no processamento,

pois esta era uma adaptação da transformada de Ridgelet e o particionamento espacial de

janelas resultava em uma quantidade muito grande de dados redundantes. Este problema foi

resolvido em 2006 pelos mesmos autores quando modicaram a transformada de Curvelet com

base nas diferentes operações da transformada de Fourier chamadas de Unequally Spaced

Fast Fourier Transform (USFFT) e transformada Curvelet baseada em invólucro (do inglês

wrapping) sendo que esta segunda transformada possui melhor desempenho na extração de

características e é mais robusta que os outros métodos já citados.

4.2.2 Transformada Curvelet digital

As transformações digitais são lineares e utilizam como matrizes de entradas cartesianas a

forma f [t1, t2], 0 ≤ t1, t2 < n, que permitem considerar o dado de saída como uma coleção

de coecientes CD(j, l, k) obtidos pelo análogo discreto apresentado na Equação 9:

cD(j, l, k) :=∑

0≤t1,t2<n

f [t1, t2]ϕDj,l,k[t1, t2] (9)

onde cada ϕDj,l,k é uma pequena forma de onda digital (na qual o índice sobrescrito D signica

Digital).

Page 76: proposicão de um algoritmo para identificação biométrica de ...

74

4.2.3 Transformada Digital Curvelet via invólucro

A abordagem invólucro, do inglês "wrapping" assume o mesmo processo de coronização

digital mostrado na seção anterior, mas faz uma escolha diferente, um pouco mais simples

de grade espacial para traduzir Curvelets em cada escala e ângulo. Em vez de uma grelha

inclinada, assume-se uma grade regular e retangular, e denem-se Curvelets "cartesianas", da

mesma forma que antes, demonstrado abaixo na Equação 10:

c(j, l, k) =

ˆf(ω)Uj(S

−1θlω)ei〈b,ω〉dω (10)

A diculdade com esta abordagem é que, no plano das frequências, a janela Uj, l[n1, n2]

não cabe em um retângulo de tamanho ∼ 2j × 2j/2. Depois de discretização, a integral

sobre ω torna-se uma soma de n1, n2 que pode se estender além dos limites permitidos pela

transformada 2D Inverse Fast Fourier Transform (IFFT). Para entender por que respeitando

tamanhos de retângulos de tamanhos respectivos são uma preocupação, é necessário lembrar

que o termo Uj,l é suportado na região de paralelepípedo demonstrado na Equação 11:

Pj,l = SθlPj. (11)

Para a maioria dos valores da variável angular θl, Pj,l é suportada dentro de um retângulo

Rj,l alinhado com os eixos, e ambos com comprimentos laterais na ordem de 2j . Esta denição

é bem parecida com a discretização do contínuo direcional da transformada Wavelet proposta

por Vandergheynst e Gobbers (2002). Isto parece ideal, mas existe uma desvantagem evidente

para essa abordagem, a sobreamostragem dos coecientes. Em outras palavras, considerando

que a abordagem anterior mostrou que era possível conceber Curvelets com espaçamento

espacial anisotrópico de cerca de n/2j em uma direção e n/2j/2 na outra, esta abordagem

exige uma grade retangular regular com tamanho lateral sobre n/2j em ambas as direções.

Em outra palavras, seria necessário calcular a ordem de 22j por coecientes de escala e o

ângulo em oposição, para apenas cerca de 23J/2 na implementação baseada em USFFT. Ao

analisar as escalas mais nais das Curvelets tais que 2j n, essa abordagem exigiria O(n2,5)

de armazenamento contra O(n2) para a versão USFFT. É possível diminuir a resolução e a

ideia é a periodização das amostras de frequência. Como antes, deixa-se o termo Pj,l ser um

paralelogramo que contém o suporte de janela de localizações discretas Uj,l[n1, n2]. Supõe-se

que em cada escala j, existem duas constantes L1,j ∼ 2j e L2,j ∼ 2j/2 para cada orientação

θl, Pode-se preencher o plano bidimensional com tradução de Pj,l por múltiplos de L1,j na

direção horizontal e L2,j na direção vertical. O correspondente da periodização dos dados das

Page 77: proposicão de um algoritmo para identificação biométrica de ...

75

janelas d[n1, n2] = Uj,l[n1, n2]f [n1, n2] l pode ser visualizado na Equação 12:

Wd[n1, n2] =∑m1∈Z

∑m2∈Z

d[n1 +m1L1,j, n2 +m2L2,j] (12)

Os dados do invólucro janelados, em torno da origem, em seguida são denidos como a

restrição deWd[n1, n2] com índices n1, n2 dentro de um retângulo com lados de comprimento

L1,j × L2,j perto da origem, segundo a Equação 13::

0 ≤ n1 < L1,,j, 0 ≤ n2 < L2,j (13)

Dados os índices (n1, n2) inseridos originalmente pelo termo Pj,l (possivelmente mais largos

que os termos L1,j, L2,j) a correspondência entre o índice de invólucro e o índice original é um

para um. Portanto, a transformação de invólucro é um simples método de reindexação dos

dados. É possível expressar o método de invólucro pela matriz d[n1, n2] ao longo da origem

através de um método ainda mais simples, usando a função de módulo, expressa na Equação

14:

Wd[n1mod L1,j, n2mod L2,j] = d[n1, n2], (14)

com (n1, n2)Pj,l. Intuitivamente, a operação módulo mapeia o termo original (n1, n2) dentro

de suas novas posições próximas à origem.

Para os ângulos dentro da área θ ∈ (π/4, 3π/4), o invólucro é similar, depois da troca

de regras dos eixos de coordenadas, e esta é a situação apresentada na Figura 6. Pode-se

visualizar na Figura 6 que os dados de invólucro, inicialmente dentro de um paralelogramo, se

localizam dentro de um retângulo por periodicidade. O ângulo é neste caso a área determinada

por (π/4, 3π/4). O paralelo grama preto é a telha Pj,l que contém a frequência de apoio da

Curvelet, enquanto que os paralelogramos cinzas são réplicas resultantes da periodização. O

retângulo é centrado na origem. A elipse resultante do invólucro aparece quebrada em partes

mas como pode ser visto, não é uma questão de retângulo periódico, onde as bordas são

identicadas.

Com estas denições, a arquitetura da FDCT é demonstrada abaixo :

Aplicar a Transformada Rápida de Fourier 2D e obter as amostras

f [n1, n2],−n/2 ≤ n1, n2 < n/2.

Para cada escala j e ângulo l, forma de produto Uj,l[n1, n2]f [n1, n2].

Envolver este produto ao longo da origem e obter a Equação 15:

Page 78: proposicão de um algoritmo para identificação biométrica de ...

76Figura 6 - Resultados do método de invólucro

Fonte: (CANDÈS, 1999)

fj,l[n1, n2] = W (Uj,lf)[n1, n2], (15)

onde a área denida por n1 en2 é agora 0 < n1 < L1,j e 0 < n2 < L2,j (para θ dentro da

área (−π/4, π/4)).

Aplicar a Transformada Rápida de Fourier 2D Inversa para cada fj,l, portanto colecio-

nando os coecientes discretos CD(j, l, k).

É evidenciado que o algoritmo tem uma certa complexidade computacional O(n2log n) e na

prática, este custo computacional não excede mais que 6 a 10 transformadas rápidas de Fourier

no plano 2D.

4.3 PROCESSO DE MONTAGEM DO VETOR DE CARACTERÍSTICAS

O processo de obtenção de subimagens por transformada Curvelet comentado no item

anterior visou extrair as principais características das imagens, mas as subimagens ainda não

são digitalizadas. O principal algoritmo utilizado para a binarização de imagens apresentado

na revisão bibliográca é o LBP, e o mesmo será adotado nesta fase do projeto. A principal

ideia do algoritmo LBP é de rotular os pixels de uma dada imagem baseando-se principalmente

nos pixels em torno da referência e considerar o resultado desta operação como um número

binário.

4.3.1 Operador LBP - Padrões binários locais

O início do processamento se dá com a derivação da escala de cinza e do operador de

textura de rotação invariante denindo a textura como variável T em um local de vizinhança

Page 79: proposicão de um algoritmo para identificação biométrica de ...

77

de uma imagem com textura monocromática como uma distribuição conjunta dos níveis de

cinza de P (P > 1) pixels da imagem, representado na Equação 16:

T = t(gc, g0, ..., gP−1) (16)

onde o índice gc corresponde ao valor de cinza do pixel central da região de vizinhança a ser

analisada e o índice gp(p = 0, ..., P −1) correspondem aos valores de cinza igualmente espaça-

dos em um círculo de raio R(R > 0) que formam um conjunto de vizinhança simetricamente

circular.

Se as coordenadas de gc são (0,0), então as coordenadas de gp são dadas pela Equação 17:

gp = (R sin(2πp/P ), R cos(2πp/P )). (17)

A Figura 7 abaixo ilustra o conjunto de vizinhança simetricamente circular para vários valores

de (P,R). Os valores de cinza de pixels de vizinhança que não caem exatamente no centro

dos pixels são estimados por interpolação.

Figura 7 - Conjunto de vizinhança do algoritmo LBP

Fonte: (OJALA; PIETIKAINEN; MAENPAA, 2002)

Como primeiro passo para análise, o algoritmo subtrai os valores de cinza do pixel central

(gc) dos valores da vizinhança circularmente simétrica gp(p = 0, ..., P −1), dado pela Equação

18:

T = t(gc, g0 − gc, g1 − gc, ..., gp−1 − gc) (18)

O próximo passo é assumir que as diferenças gp − gc são independentes de gc, portanto

permite fatorização resultando na seguinte Equação 19:

T ≈ t(gc)t(g0 − gc, g1 − gc, ..., gp−1 − gc) (19)

Na prática, uma independência exata não é garantida, consequentemente, a distribuição

fatorizada é somente uma aproximação da distribuição conjunta. Entretanto, é razoável aceitar

a possível perda de dados em informações e permitir resultar invariância com respeito aos

Page 80: proposicão de um algoritmo para identificação biométrica de ...

78

desvios na escala de cinza. A saber, a distribuição relatada na Equação 19 descreve no

geral a luminância da imagem, que não é relacionada com a textura da imagem local e

consequentemente não provê informação útil para análise de textura. Consequentemente, a

maior parte da distribuição conjunta dos níveis de cinza descrita na Equação 16 sobre as

características da textura são transportadas pela diferença da distribuição representada pela

Equação 20:

T ≈ t(g0 − gc, g1 − gc, ..., gp−1 − gc) (20)

Este é um operador de textura altamente discriminante, pois ele registra as ocorrências

de vários padrões na vizinhança de cada pixel em um histograma P − dimensional. Para

regiões constantes, as diferenças são zeros em todas as direções. Em uma borda inclinada

lentamente, o operador registra as altas diferenças na direção do gradiente e adota valores zero

ao longo da borda, no entanto, para um ponto as diferenças são altas em todas as direções.

Diferenças gp − gc não são afetadas por mudanças como luminância, entretanto, a diferença

de distribuição do conjunto é invariante contra os desvios de escalas de cinza. Foi assumida

a invariância com respeito à escala cinza considerando justamente os sinais das diferenças em

vez de seus valores exatos, resultando na Equação 21:

T ≈ t(s(g0 − g), s(g1 − gc, ..., s(gp−1 − gc)) (21)

onde:

s(x) =

1, x ≥ 0

0, x < 0(22)

Atribuindo um fator binomial 2P para cada sinal s(gp − gc), a Equação 21 pode ser trans-

formada em um único número LBPP,R que caracteriza a estrutura espacial da textura local

da imagem, representada pela Equação 23:

LBPP,R =P−1∑p−0

s(gp − gc)2p (23)

O nome Padrão Binário Local reete à funcionalidade do operador, isto é, um local de vizi-

nhança é limitado ao valor de escala cinza do pixel central de uma região dentro de um padrão

binário. O operador LBPP,R é invariante por denição contra a transformação monotônica

da escala de cinzas, isto é, desde que a ordem dos valores de cinza na imagem permaneçam

a mesma, a saída do operador LBPP,R permanece constante. (OJALA; PIETIKAINEN;

MAENPAA, 2002)

Page 81: proposicão de um algoritmo para identificação biométrica de ...

79

Após extração de subimagens com a transformada Curvelet, foi aplicado o operador LBP

denido na Equação 23 a cada subimagem, utilizando os parâmetros P=8 e R=2. Estes

parâmetros foram escolhidos devido o trabalho de Nanni, Brahnam e Lumini (2012).

Como são geradas diversas subimagens de acordo com a variação de escalas e ângulos

escolhidos (parâmetros Curvelet denidos como escala variando de 1 a 5 e ângulo variando

entre 8 ou 16), são gerados também diversos vetores provenientes do operador LBP, dessa

forma é necessário gerar um único vetor de características, e isto foi realizado concatenando

todos os vetores gerados conforme Equação 24 abaixo:

VCARAC = (VLBPS1, VLBPS2

, VLBPS3, ..., VLBPSn

) (24)

onde VCARAC é o vetor de características que identicam uma pessoa no banco de dados

de imagens, e os vetores VLBPSxsão provenientes de cada subimagem gerada.

Abaixo na Figura 8 pode-se visualizar um uxograma da fase de aquisição, pré-processamento

e extração de características das imagens obtidas. Verica-se que na fase de equalização e

melhoramento do contraste da imagem, foram utilizadas três técnicas diferentes. Na extração

de características, os parâmetros da transformada Curvelet variaram de 1 a 5 escalas e 8 ou

16 ângulos, resultando em 10 análises diferentes.

Figura 8 - Fluxograma do algoritmo para extração de características

Fonte: Produção do próprio autor

Page 82: proposicão de um algoritmo para identificação biométrica de ...

80

4.4 SELEÇÃO DE ATRIBUTOS

Esta fase do trabalho consiste em analisar a variância dos dados por métodos estatísticos

para vericação de padrões de repetição, e eliminação de características que não denam

diferenças entre as imagens, diminuindo assim o tamanho dos arquivos e aumentando a velo-

cidade de processamento. Na revisão bibliográca, foram citados diversos algoritmos capazes

de extrair características de imagens, e muitos deles também são utilizados como redutores

(selecionadores) de características, como os algoritmos PCA e LDA, utilizados por Mandal,

Wu e Yuan (2009).

Em análise de imagens, as informações geradas pelos diversos algoritmos podem gerar dados

que não são relevantes nas análises. As técnicas de seleção de atributos tem como objetivo

avaliar os dados para encontrar as características mais relevantes, ou até eliminar dados que só

aumentam o tempo de processamento e não aumentam a precisão do sistema. Os algoritmos

LDA e PCA são os mais citados pelos autores, e foram testados, no entanto, o tempo de

processamento dos mesmos foi superior a 20 horas, eliminando qualquer possibilidade de uso

em um sistema de identicação de pessoas. Foram então pesquisados outros algoritmos que

realizassem o mesmo processo, mas com tempos reduzidos, e os mais indicados foram o

algoritmo de correlação Correlation-based Feature Selection (CFS) com a propriedade Greedy

Stepwise, disponível no software Waikato Environment for Knowledge Analysis (WEKA), e

o algoritmo Symmetrical Uncert Attribute Eval (SUAE) com a propriedade Ranker, também

disponível no software WEKA. Abaixo os dois algoritmos utilizados nesta tese para selecionar

os atributos a serem utilizados na fase de classicação são brevemente relatados.

4.4.1 Algoritmo CFS

Basicamente trata-se de um ltro que classica subconjuntos de atributos de acordo com

uma correlação baseada na função de avaliação heurística. A principal característica é de

avaliar subconjuntos que contenham recursos próprios e altamente correlacionados com a

classe, no entanto não se correlacionam entre si. Dessa forma, as características irrelevantes

são ignoradas pois terão baixa correlação, e portanto, baixa relevância na avaliação da classe.

Os recursos tratados como redundantes são extraídos do grupo ou subconjunto e os recursos

que são considerados com alta correlação com uma ou mais características da classe são

mantidos. A principal equação que dene o algoritmo proposto é apresentado abaixo como

Page 83: proposicão de um algoritmo para identificação biométrica de ...

81

Equação 25:

MS =krcf√

k + k(k − 1) ¯rff(25)

onde MS é a heurística " mérito" de um subconjunto S contendo k características, rcf

é a correlação de classe média do recurso (f ∈ S) , e ¯rff é a intercorrelação média. O

numerador da Equação 25 pode ser considerado uma indicação do quanto preditiva a classe

de um conjunto de características pode ser, e o denominador é a quantidade de redundância

existente entre os recursos. A implementação da classe CFS permite escolher entre três

estratégias de buscas heurísticas: para a frente (progressão ou antecipação, do inglês forward

selection), para trás (regressão linear com eliminação, do inglês backward elimination), ou pela

estratégia do melhor primeiro (do inglês best rst). A seleção forward selection se inicia sem

recursos e com rapidez acrescenta uma característica de cada vez até que não seja possível

acrescentar mais dados. A seleção backward elimination começa com o conjunto completo

de recursos e rapidamente remove uma característica de cada vez, enquanto a avaliação não

degrada o conteúdo. A seleção best rst pode começar sem nenhum recurso ou todos os

recursos. A Figura 9 extraída do trabalho original do autor Hall (1999) exemplica o algoritmo

CFS proposto.

A propriedade Greedy Stepwise faz uma busca gananciosa nos subconjuntos de cada espaço

de atributos. (WITTEN; FRANK, 2005)

Figura 9 - Funcionamento do algoritmo CFS

Fonte: (HALL, 1999)

Page 84: proposicão de um algoritmo para identificação biométrica de ...

82

4.4.2 Algoritmo SUAE

Trata-se de um algoritmo de seleção de atributos, baseado no conceito da entropia. Em

geral, uma característica é boa se for relevante para o conceito de classe, desde que não seja

redundante com qualquer das outras características relevantes desta mesma classe. Se for

adotada a correlação entre duas variáveis como uma medida, a denição acima relata que

uma característica é boa se ela está altamente correlacionada com a classe mas não está

altamente correlacionada com qualquer uma das outras características. Em outras palavras,

se a correlação entre a característica e a classe é alta o suciente para torná-la relevante à

classe e a correlação entre ela e quaisquer outras características relevantes não atingir um

nível de modo que possa ser previsto por qualquer um dos outros relevantes características,

esta será considerada como uma boa característica para a tarefa de classicação. Neste

sentido, o problema da característica de seleção se resume a encontrar uma medida adequada

de correlações entre características e um procedimento para selecionar os recursos com base

nesta medida. Existem duas abordagens para medir a correlação entre duas variáveis aleatórias.

A primeira é com base na correlação linear clássica e a segunda é com base na teoria da

informação. Sob a primeira abordagem, a medida mais bem conhecida é o coeciente de

correlação linear. Para um par de variáveis (X, Y), o linear coeciente de correlação r é dado

pela Equação 26:

r =

∑i(xi=xi)(yi=yi)√∑

i(xi=xi)2√∑

i(yi=yi)2

(26)

onde xi é a média de X, e yi é a média de Y . O valor de r situa-se entre −1 e 1 , inclusive.

Se X e Y são completamente correlacionados, r tem o valor de 1 ou −1 mas se X e Y são

totalmente independentes, r é igual a zero . Existem várias vantagens de escolher correlação

linear como medida de recurso para a classicação. Em primeiro lugar, proporciona a remoção

de recursos com correlação linear para a classe com valores próximos de zero, em segundo lugar,

ajuda a reduzir a redundância entre os recursos selecionados. Medidas de correlação linear

podem não ser capazes de capturar correlações que não são de natureza linear. Outra limitação

é que o cálculo requer que todos os recursos contenham valores numéricos. Para superar estas

deciências, outra abordagem está em escolher uma medida de correlação baseada no conceito

de informação teórica da entropia. A entropia de uma variável X é denida pela Equação 27:

H(X) = =

∑i

P (xi)log2(P (xi)), (27)

e a entropia de X depois de observar valores de outra variável Y é denida pela Equação

Page 85: proposicão de um algoritmo para identificação biométrica de ...

83

28:

H(X|Y ) = =

∑j

P (yj)∑i

P (xi|yj)log2(P (xi|yj)) (28)

onde P (xi) é a probabilidade para todos os valores de X e P (xi|yi) são as probabilidades

posteriores de X dados os valores de Y . O valor pelo qual a entropia de X diminui reete

a informação adicional sobre X fornecido por Y e é chamado de informações de ganho, dado

pela Equação 29:

IG(X|Y ) = H(X)=H(X|Y ) (29)

De acordo com esta medida, uma característica Y é considerada mais correlacionada à

característica X do que para característica Z , se IG(X|Y ) > IG(Z|Y ). (YU; LIU, 2003)

4.5 CLASSIFICADORES PARA AVALIAÇÃO DOS ALGORITMOS PROPOSTOS

Após realizar as etapas anteriores, a próxima abordagem deste trabalho está na classicação

e predição dos dados obtidos com as imagens para se avaliar se o método até aqui proposto

é válido. Para que esta avaliação seja eciente, são necessárias diferentes abordagens de

avaliação com base em mineração de dados, de forma a analisar a precisão do modelo aqui

proposto, e além disso vericar se a velocidade de processamento destas análises não torna

o algoritmo invalidado para aplicações práticas. Segundo Han (2005), a escalabilidade, in-

terpretabilidade dos resultados e a robustez também são importantes nesta análise. Existem

diversas abordagens diferentes de classicação de dados, e os principais métodos citados na

revisão bibliográca deste trabalho e que serão utilizados para a análise dos dados são:

4.5.1 Métodos Bayesianos

Os métodos bayesianos são baseados na probabilidade da ocorrência de um evento com

relação às condições que podem estar relacionadas a este evento descrito. O início desta

teoria se dá com a publicação em 1763 do trabalho de Thomas Bayes. A denição dada Por

Thomas Bayes tem como base a premissa de que o método aplicado permite representar dados

corretos ou incorretos de incerteza através da análise conjunta de probabilidades. A Equação

30 dene o conceito bayesiano. (JIAO et al., 2007)

P (A|B) =P (B|A)P (A)

P (B), (30)

Page 86: proposicão de um algoritmo para identificação biométrica de ...

84

onde A e B são eventos.

P (A) e P (B) são as probabilidades de A e B sem relação de uma com a outra;

P (A|B) é a probabilidade de A dado que B é verdadeiro;

P (B|A) é a probabilidade de B dado que A é verdadeiro.

O classicador Naive Bayes é um caso especial das redes bayesianas, e se baseia no princípio

de se encontrar regras especícas que respondam a perguntas tanto de forma armativa quanto

de forma negativa a um dado aspecto a ser analisado. Cada dado analisado é chamado de

nó da rede e este representa um atributo para a descrição de um domínio de interesse, e o

grafo gerado pela rede é interligado, representando a dependência entre os atributos, gerando

assim uma amostra de probabilidade distributiva. A principal qualidade deste classicador

está na aplicação de conjuntos de dados onde os atributos são independentes entre si. (GU;

CERCONE, 2006)

O classicador Naive Bayes se encontra disponível para utilização na plataforma WEKA. Os

dados gerados a partir da extração por transformada de Curvelet, e concatenação por LBP são

selecionados no software após a geração do arquivo de dados e posteriormente são selecionados

os parâmetros para análise. As características de cada parâmetro podem ser vistas abaixo,

e após a descrição das características, o texto após a descrição do parâmetro indica o valor

adotado para o parâmetro em questão na análise deste algoritmo:

debug - Se denido como verdadeiro, o classicador pode gerar saída de informações

adicionais para o console = FALSE.

displayModelInOldFormat - Usa formato antigo para a saída do modelo. O formato

antigo é melhor quando há muitos valores de classe. O novo formato é melhor quando

há menos classes e muitos atributos = FALSE.

useKernelEstimator - Usa um estimador de kernel para atributos numéricos, em vez

de uma distribuição normal = FALSE.

useSupervisedDiscretization - Usa discretização supervisionada para converter atri-

butos numéricos para nominais = FALSE.

Todos os parâmetros estavam selecionados como FALSE por padrão de software e de acordo

com as características de cada um, não foi necessário alterá-los para melhor aplicação do

método de classicação. Os resultados gerados são demonstrados no próximo capítulo deste

trabalho.

Page 87: proposicão de um algoritmo para identificação biométrica de ...

85

4.5.2 Métodos de aprendizado preguiçoso

O termo vem do inglês lazy learning e trata-se de um método de aprendizagem em que

a generalização dos dados de treinamento é adiada até que uma consulta seja realizada ao

sistema, no qual a principal vantagem é de se aproximar localmente a função de destino. A

base deste método é a regressão linear não paramétrica. O principal algoritmo que utiliza

este método é o Kernel Nearest Neighbor (KNN) e os estimadores não paramétricos de

regressão simples são versões locais de estimadores. Intervalos de conança podem também

ser calculados em cada ponto, ou, se a variância é assumida ser constante, pode ser calculado

usando uma estimativa agrupada da variância da população.

Geralmente há apenas uma observação em cada ponto projetado. No entanto, se é sabido

que µ(t) é uniforme, pontos que estão juntos devem ter aproximadamente a mesma média.

Assim, se é desejado estimar µ(t∗), poderia se escolher alguns pontos de t∗ e proceder comose os valores dos dados que caem na vizinhança são realmente uma amostra feita no instante

t∗. O estimador é então denido pela Equação 31 abaixo:

µ(t∗) = µ(t∗) +1

n∗∑

ti∈N(t∗)

[µ(ti)− µ(t∗)] +1

n∗∑

ti∈N(t∗)

εi (31)

em que N(t∗) é a vizinhança, n∗ é o número de pontos de dados na vizinhança, yi é o dadoem ti , e εi é o desvio de yi de u(ti). (ALTMAN, 1992)

O classicador Kernel Nearest Neighbor também se encontra disponível para utilização na

plataforma WEKA. Os mesmos dados utilizados no classicador Naive Bayes foram utilizados

e os resultados são apresentados no próximo capítulo deste trabalho. As características de

cada parâmetro podem ser vistas abaixo, e o texto logo após a explicação de cada parâmetro

representa o valor adotado no software durante a análise utilizando este algoritmo:

KNN - O número de vizinhos a ser utilizado = 1.

crossValidate - Se for escolhida validação cruzada, será usado para escolher o melhor

valor entre 1 e k o valor especicado como o parâmetro KNN = FALSE.

debug - Se denido como verdadeiro, o classicador pode gerar informações adicionais

de saída para o console = FALSE.

distanceWeighting - Obtém o método de ponderação da distância utilizada = no

distance weighting.

meanSquared - Se o erro quadrático médio é usado em vez de erro médio absoluto ao

executar validação cruzada para problemas de regressão = FALSE.

Page 88: proposicão de um algoritmo para identificação biométrica de ...

86

nearestNeighborSearchAlgorithm - O algoritmo de busca do vizinho mais próximo a

ser utilizado. Para este parâmetro, existem quatro escolhas possíveis, citadas abaixo:

1. BallTree: O mesmo consiste em estratégias de busca de divisão e conquista para con-

sultas de proximidade satisfatórias envolvendo métricas arbitrárias à distância. (UHL-

MANN, 1991)

2. CoverTree: A estrutura de dados requer o (n) espaço, e independentemente da estrutura

da métrica ainda mantém todas as propriedades de desempenho de uma rede de navegação

(KRAUTHGAMER; LEE, 2004). Se o conjunto de pontos tem uma constante de expansão

c limitada , o que é uma medida da dimensionalidade intrínseca, a estrutura de dados

em árvore de cobertura pode ser construída em O(c6 n log n). Além disso, as consultas

aos vizinhos mais próximos exigem tempo somente logarítmico em n, em particular,

O(c12 log n). Dessa forma, a aplicação deste princípio sobre o método KNN aumenta

signicativamente a velocidade de processamento por busca de força bruta, variando

entre uma e várias ordens de magnitude em conjuntos de dados de aprendizagem de

máquina natural. (BEYGELZIMER; KAKADE; LANGFORD, 2006)

3. KDTree: A construção da árvore é realizada da seguinte maneira: Se um nó tem

< maximal − inst− number > ( opção -L no software WEKA ) casos, mais nenhuma

divisão é realizada. Além disso, se a divisão deixaria um lado vazio, o ramo não é dividido ,

mesmo se as instâncias no nó resultante são mais do que < maximal−inst−number >instâncias. O algoritmo não pode lidar com valores perdidos. (FRIEDMAN; BENTLEY;

FINKEL, 1977)

4. LinearNNSearch: Trata-se da métrica utilizada para cálculo da distância do vizinho

mais próximo. Neste parâmetro podem ser utilizadas as métricas da distância Euclidiana,

distância de Chebyshev, distância de Levenshtein e distância de Manhatan. Foi utilizado

este método e escolhida a distância Euclidiana por apresentar os melhores resultados após

uso de todas as alternativas = LinearNNSearch.

windowSize - Obtém o número máximo de instâncias permitidas no conjunto de treina-

mento . Um valor 0 signica nenhum limite para o número de instâncias de formação

= 0.

Todos os parâmetros selecionados por padrão resultaram nos melhores resultados para esta

classicação após testes executados. Assim como no item anterior, os resultados gerados são

demonstrados no próximo capítulo deste trabalho.

Page 89: proposicão de um algoritmo para identificação biométrica de ...

87

4.5.3 Métodos por árvores de decisão

Uma árvore de decisão é uma ferramenta de apoio à decisão que usa um gráco de árvore ou

modelo de decisões e suas possíveis consequências, incluindo resultados de chance de eventos,

custos de recursos e de utilidade. Na verdade é uma maneira de exibir um algoritmo. As árvores

de decisão são comumente usadas em pesquisa de operações, especicamente na análise de

decisão, para ajudar a identicar uma estratégia mais provável para alcançar um objetivo.

Existem diversos algoritmos que são utilizados em mineração de dados e que utilizam como

método a árvore de decisão. Neste trabalho, são utilizados dois métodos: Random Forest e

C4.5.

4.5.3.1 Algoritmo Random Forest

É uma combinação de preditores de árvore de modo que cada árvore depende dos valores

de um vetor aleatório amostrado de forma independente e com a mesma distribuição de todas

as árvores da oresta. É muito utilizado em classicação de padrões por ser muito eciente

quando aplicado a grandes conjuntos de dados, e ter alta velocidade de processamento. Cada

árvore é formada por uma abordagem topdown em conjuntos binários. (BREIMAN, 2001)

As características de cada parâmetro podem ser vistas abaixo, e o texto logo após a ex-

plicação de cada parâmetro representa o valor adotado no software durante a análise deste

algoritmo:

debug - Se denido como verdadeiro, o classicador pode gerar informações adicionais

para saída do console = FALSE.

maxDepth - A profundidade máxima das árvores, o valor 0 dene a profundidade para

ilimitado = 0.

numFeatures - O número de atributos para ser usado em seleção aleatória = 0.

numTrees - O número de árvores a serem geradas = 100.

seed - As sementes de número aleatório para serem utilizadas= 1.

Todos os parâmetros selecionados por padrão resultaram nos melhores resultados para esta

classicação após testes executados. Os resultados gerados são demonstrados no próximo

capítulo deste trabalho.

Page 90: proposicão de um algoritmo para identificação biométrica de ...

88

4.5.3.2 Algoritmo C4.5/J48

O algoritmo constrói árvores de decisão a partir de um conjunto de dados de treinamento

utilizando o conceito de entropia de informação. Os dados de treinamento são um conjunto

S = s1, s2, ... de amostras já classicadas. Cada si amostra é composta por um vetor p-

dimensional (x1,i, x2,i, ..., xp,i), onde os xj representam atributos ou características da amostra,

bem como a classe em que si cai. Em cada nó da árvore, o algoritmo C4.5 escolhe o atributo

dos dados que se divide mais ecazmente em seu conjunto de amostras enriquecidas em

subconjuntos de uma classe. O critério de divisão é o ganho de informação normalizada

(diferença de entropia). O atributo com o ganho de informação normalizada mais alto é

escolhido para tomar a decisão. Todas as amostras na lista pertencem à mesma classe.

Quando isso acontece, ele simplesmente cria um nó (folha) para a árvore de decisão dizendo

o que escolher dessa classe. Nenhum dos recursos fornecem qualquer ganho de informação.

Neste caso, o algoritmo C4.5 cria um nó de decisão mais alto na árvore utilizando o valor

esperado da classe. No software WEKA o algoritmo C4.5 é implementado sobre a plataforma

Java com o nome J48. (SALZBERG, 1994)

As características de cada parâmetro podem ser vistas abaixo e o texto logo após a explicação

de cada parâmetro representa o valor adotado no software durante a análise deste algoritmo:

binarySplits - Se usar divisões binárias nos atributos nominais ao construir as árvores

= FALSE.

condenceFactor - O fator de conança utilizado para a poda da árvore (valores me-

nores incorrem em mais poda) = 0,25 .

debug - Se denido como verdadeiro, o classicador pode gerar informações adicionais

para a saída do console = FALSE.

minNumObj - O número mínimo de casos por folha = 2.

numFolds - Determina a quantidade de dados utilizados para a redução de erros de

poda. Um fold é usado para a poda, o resto para o crescimento da árvore = 3.

reducedErrorPruning - Solicita redução de erros de poda = FALSE.

saveInstanceData - Salva os dados de treinamento para visualização = FALSE.

seed - A quantidade de sementes usadas para randomizar os dados quando o algoritmo

de redução de erros de poda é usado = 1.

Page 91: proposicão de um algoritmo para identificação biométrica de ...

89

subtreeRaising - Considera a operação de levantamento de sub-árvores quando efetuar

poda = TRUE.

unpruned - Se a poda deve ser realizada = FALSE.

useLaplace - Se as contagens em folhas são suavizadas com base em Laplace= FALSE.

Assim como nos outros algoritmos analisados anteriormente, os parâmetros selecionados por

padrão resultaram nos melhores resultados para esta classicação após testes executados. Os

resultados gerados são demonstrados no próximo capítulo deste trabalho.

4.5.4 Métodos baseados em Redes Neurais Articiais

Baseiam-se em algoritmos de aprendizado com capacidade de representação de dados re-

lacionados mas não-lineares e ainda multivariáveis, construídos a partir de uma rede neural

composta por nós (neurônios) análogos aos neurônios humanos, interligados uns aos outros, e

dessa forma a identicação de padrões é realizada através do aprendizado. As conexões têm

pesos numéricos que podem ser ajustados com base na experiência, tornando redes neurais

adaptáveis às entradas. Usualmente uma rede neural articial deve ter ao menos três estru-

turas denidas como parâmetros de entrada (primeira camada), camadas ocultas (segunda

camada), e camada de saída. Em redes neurais articiais, o sistema apresenta resultados a

partir de um pré-processamento da rede para aprendizado, ou seja, em primeiro lugar se deve

treinar a rede para em seguida utilizá-la na classicação. Existem diversos tipos de redes neu-

rais articiais, e este trabalho utiliza como classicador a rede Multi Layer Perceptron (MLP),

por estar disponível no software WEKA e por apresentar bons resultados em classicação de

dados segundo a revisão da bibliograa deste trabalho.

4.5.4.1 Redes Neurais articiais MLP

Nestes tipos de redes o princípio básico de funcionamento concentra-se no treinamento

supervisionado utilizando o algoritmo de retropropagação de erro, baseando-se na regra de

aprendizagem por correção de erro. A aprendizagem por retropropagação de erros é realizada

em duas etapas: a propagação em si, onde um padrão de atividades é aplicado sobre os

nós de entrada e este se propaga até os nós de saída com todos os pesos sinápticos xos,

gerando assim resultados parciais da rede. A partir destes resultados é que são gerados os

pesos sinápticos ajustados a partir de uma regra de correção de erros, que subtrai da resposta

real da rede a resposta desejada, gerando um sinal de erro para se executar a retropropagação

no sentido contrário das conexões sinápticas. (KOVACS, 2002)

Page 92: proposicão de um algoritmo para identificação biométrica de ...

90

O modelo dos neurônios em uma rede MLP tem três principais características:

Cada neurônio da rede é denido por uma função de ativação não-linear suave, ou seja,

diferenciável em qualquer ponto da rede, e normalmente é utilizada a forma de não-

linearidade sigmóide, denida pela Equação 32 :

yj =1

1 + exp(−νj)(32)

onde νj é a soma ponderada de todas as entradas sinápticas somadas ao bias do neurônio

j e yj é a saída deste neurônio;

A rede pode conter uma ou diversas camadas de neurônios ocultas, e estas obrigatori-

amente não fazem parte das camadas de entrada e saída da rede. Estas camadas de

neurônios ocultos ajudam no aprendizado da rede para execução de atividades complexas

extraindo as características mais signicativas dos vetores da camada de neurônios de

entrada;

A alta conectividade desta rede é a principal característica determinada pelas diversas si-

napses da rede. Uma simples modicação em uma das conexões pode gerar a necessidade

de mudança nas próximas conexões sinápticas e de seus pesos. (HAYKIN, 2001)

No software WEKA o algoritmo MLP é implementado sobre a plataforma Java, disponível

na aba functions. As características de cada parâmetro podem ser vistas abaixo e o texto

logo após a explicação de cada parâmetro representa o valor adotado no software durante a

aplicação deste algoritmo:

GUI - Traz uma interface ao usuário que irá permitir a pausa e alteração da rede neural

durante o treino = TRUE.

autoBuild - Adiciona e conecta-se às camadas ocultas na rede = TRUE.

debug - Se denido como verdadeiro, o classicador pode gerar informações adicionais

para a saída do console = FALSE.

decay - Este parâmetro fará com que a taxa de aprendizagem diminua = TRUE.

hiddenLayers - Dene as camadas ocultas da rede neural. A quantidade de camadas

deve ser colocada sobre vírgulas, e o parâmetro a soma os atributos com as classes e

divide por 2 = a.

learningRate - O valor dos pesos são atualizados em caso armativo neste parâmetro

= 0,3.

Page 93: proposicão de um algoritmo para identificação biométrica de ...

91

momentum - Dinâmica aplicada aos pesos durante a atualização = 0,2.

nominalToBinaryFilter - O que irá pré-processar as instâncias com o ltro. Isso poderia

ajudar a melhorar o desempenho se existirem atributos nominais nos dados = TRUE.

normalizeAttributes - Normalizar os atributos. Isso poderia ajudar a melhorar o de-

sempenho da rede = TRUE.

normalizeNumericClass - Normalizar a classe se esta for numérica = TRUE.

reset - Permitir que a rede reinicie com uma taxa de aprendizagem inferior. Se a rede di-

verge da resposta, esta irá repor automaticamente a rede com uma taxa de aprendizagem

mais baixa e começar a treinar novamente = FALSE.

seed - Quantidade de sementes usadas para inicializar o gerador de números aleatórios,

que são usados para denir os pesos iniciais dos nós entre conexões, e também para

embaralhar os dados de treinamento = 0.

trainingTime - O número de épocas para treinar completamente a rede = 500.

validationSetSize - O tamanho em porcentagem do conjunto de validação. O treina-

mento vai continuar até que perceba-se que o treinamento está piorando o resultado =

0.

validationThreshold - Usado para encerrar valores testes. A validação aqui determina

quantas vezes seguidas o erro no conjunto de validação pode piorar antes da formação

ser terminada = 20.

Todos os parâmetros selecionados por padrão resultaram nos melhores resultados para esta

classicação após testes executados. Os resultados gerados são demonstrados no próximo

capítulo deste trabalho.

4.5.5 Método de validação cruzada

Trata-se de uma técnica utilizada na avaliação da capacidade de generalização de um mo-

delo, a partir de um conjunto de dados e é conhecido popularmente pelo seu termo em inglês

cross-validation. Este método é muito utilizado como técnica de predição na análise de classi-

cadores, utilizados em técnicas de mineração de dados. O princípio básico de funcionamento

desta técnica consiste na divisão do conjunto total de dados em subconjuntos que sejam mu-

tuamente exclusivos, e em seguida separar estes subconjuntos para a validação e treinamento

do modelo a ser testado. Neste trabalho foi utilizado o método k-fold, e o conjunto de dados

Page 94: proposicão de um algoritmo para identificação biométrica de ...

92

foi dividido por 10 folds. Cada fold contém uma imagem de cada usuário, portanto todos os

folds são compostos por 52 imagens. O fold 1 contém a primeira imagem de cada usuário, o

fold 2 contém a segunda imagem de cada usuário e assim sucessivamente. A precisão nal é

apresentada pela Equação 33 e representa o modelo estimado da validação. Foram utilizados

nos parâmetros dos classicadores 10% do conteúdo para treinamento e 90% do conteúdo

para testes. (em inglês, são comumente encontrados os termos training set e test set)

Acf =1

v

v∑i=1

εyi,yi =1

v

v∑i=1

(yi − yi) (33)

onde v é o número de dados de validação e εyi,yi é o resíduo dado pela diferença entre o

valor real da saída i e o valor predito. Dessa forma, é possível inferir de forma quantitativa a

capacidade de generalização do modelo.

Os resultados das classicações normalmente são apresentados de forma gráca através da

curva ROC. Esta curva apresenta no eixo das coordenadas a taxa de falsos positivos conhe-

cida como a especicidade sendo a probabilidade do sistema utilizado fornecer um resultado

negativo e no eixo das abscissas a taxa de verdadeiros positivos também conhecido como pa-

râmetro de sensibilidade do sistema classicado. Foi desenvolvida durante a Segunda Guerra

Mundial para analisar objetos detectados nos radares em campos de batalha, discriminando-os

em inimigos ou ruídos e atualmente tem sido utilizada em diversas áreas como biometria e

medicina, principalmente analisando o campo ROC como o principal critério de avaliação de

classicadores utilizados em sistemas de mineração de dados, sendo considerado o mais im-

portante parâmetro de análise de um classicador. O melhor resultado possível para área ROC

é igual a um, sendo que todos os dados classicados são identicados corretamente (taxa de

verdadeiros positivos igual a um e taxa de falsos positivos igual a zero). (DAVIS; GOADRICH,

2006)

Abaixo na Figura 10 pode-se visualizar um uxograma da fase de seleção de atributos e

classicação das características das imagens obtidas. Verica-se que na fase de seleção de

atributos da imagem, foram utilizadas duas técnicas diferentes. Na classicação dos dados,

foram utilizados cinco diferentes algoritmos.

Page 95: proposicão de um algoritmo para identificação biométrica de ...

93

Figura 10 - Fluxograma do processo de classicação dos dados

Fonte: Produção do próprio autor

Page 96: proposicão de um algoritmo para identificação biométrica de ...

94

5 RESULTADOS E DISCUSSÕES

Os primeiros resultados obtidos são a aquisição e devido armazenamento da imagem com a

utilização do protótipo criado. A primeira etapa é extrair a região de interesse da imagem, e

esta consiste em uma porção quadrada da parte dorsal da mão. Em seguida são realizadas

equalizações de imagem extraída após sua aquisição com o uso dos três algoritmos comentados

no capítulo anterior: Equalização Global do Histograma, Mapeamento e Ajuste de Intensidade

de Cinza e Equalização Adaptativa por Limite de Contraste. A próxima etapa do trabalho foi

realizar a extração de características das imagens com o uso da transformada de Curvelet e

em seguida foi realizada a digitalização (binarização) dos dados obtidos pelo algoritmo LBP.

Com os dados a serem testados, a fase de aquisição e pré-processamento dos dados foi con-

cluída, então, para se classicar os dados no intuito de testar a precisão do sistema, foram

aplicadas duas técnicas de seleção de atributos para vericar posteriormente se a totalidade

dos dados realmente seria necessária na identicação dos dados. Os algoritmos aplicados na

seleção de atributos foram o CFS e o SUAE, comentados no capítulo anterior. Os resultados

seguintes dizem respeito às classicações dos dados realizadas pelos algoritmos propostos no

capítulo anterior, tanto com a totalidade dos dados extraídos pela transformada de Curvelet

quanto após aplicação das técnicas de seleção de atributos. Foram utilizados cinco diferentes

algoritmos para avaliação de qual o melhor método a ser aplicado. Os algoritmos de classi-

cação dos dados utilizados foram: Naive Bayes, Kernel Nearest Neighbor, C4.5/J48, Random

Forest e Rede Neural Articial Multilayer Perceptron. Para que as análises fossem realizadas,

foi utilizada a técnica de validação cruzada conhecida pelo termo em inglês cross-validation.

Os resultados desta tese em sua fase inicial de desenvolvimento foram publicados no artigo

disponível no Apêndice A. (JANES; BRANDÃO JR, 2014)

Abaixo, seguem os resultados obtidos:

5.1 AQUISIÇÃO DE IMAGENS

A Figura 11 abaixo apresenta uma amostra de imagem adquirida com seu nome descrito.

Conforme descrito na metodologia, verica-se que o número de matrícula (identicação pes-

soal) do usuário é 112146890, se trata de um homem (sexo masculino denido na string

como M), tem 1,79 metros de altura, 65 quilogramas, 22 anos de idade e foi a sexta imagem

adquirida da mesma pessoa (índice 5, sendo que a primeira das 10 imagens tem índice zero).

Page 97: proposicão de um algoritmo para identificação biométrica de ...

95Figura 11 - Amostra de imagem adquirida com nome atribuído

Fonte: Produção do próprio autor

5.2 PRÉ-PROCESSAMENTO DAS IMAGENS

As imagens foram obtidas com o zoom da câmera aberto totalmente, de forma a capturar

a maior imagem possível dentro do protótipo, no entanto os pinos, a base e diversos outros

pontos na imagem não são de interesse na identicação do usuário. A região de interesse

que será utilizada é a maior porção quadrada da parte dorsal da mão, extraída das imagens e

armazenada para posterior processamento. Para a extração, foi utilizado o software Matlab®.

A normalização da imagem também deve ser feita, portanto, a região extraída foi normalizada

em uma imagem quadrada de 900x900 pixels, transformada para padrão de cinzas pois apesar

de se ter congurado a câmera para obter imagens sem cor, o padrão salvo como jpeg congura

as imagens como coloridas no padrão Red Green Blue (RGB), e ainda redimensionada de forma

que todo o banco de imagens tenha a mesma característica. Abaixo na Figura 12 pode-se ver

a extração da região de interesse ROI e sua devida normalização realizada por software.

Após a extração da região de interesse, ainda na fase de pré-processamento da imagem,

foi necessária a melhoria do contraste e diminuição do nível de ruídos, tanto dos provenientes

da captura da imagem quanto os ruídos gerados pelo melhoramento do contraste. A imagem

deve ser tratada para tentar diminuir as inuências de iluminação não uniformes e outros

ruídos indesejados que possam afetar o desempenho do algoritmo proposto dadas as variações

do padrão da imagem adquirida. Para isto, foram propostos três tipos de equalização de

imagens baseando-se na revisão bibliográca para avaliar qual o melhor método a ser adotado

neste trabalho. São analisadas a Equalização global do histograma, o Mapeamento e ajuste

Page 98: proposicão de um algoritmo para identificação biométrica de ...

96Figura 12 - Extração da região de interesse ROI

Fonte: Produção do próprio autor

de intensidade de cinza e a Equalização de histograma adaptativa por limite de contraste.

Abaixo, são apresentados os resultados destes três métodos.

5.3 RESULTADOS OBTIDOS PARA SUAVIZAÇÃO DE IMAGENS

As três técnicas propostas no capítulo anterior foram aplicadas às imagens. Os resultados

são apresentados a seguir. Vale lembrar que a proposta de aplicação destes algoritmos é de

suavizar as imagens, extrair ruídos que possam gerar problemas no momento de identicação

de pessoas pelo sistema biométrico proposto e acima de tudo equalizar as imagens evitando

assim inuências externas no momento de captura da imagem.

5.3.1 Equalização global do histograma

Utilizando a imagem extraída na fase de pré-processamento (imagem ROI), e com o uso do

software Matlab®, foi aplicada então a equalização global do histograma e o resultado está

apresentado na Figura 13 a seguir:

Nota-se que os resultados não são satisfatórios, pois o tratamento aplicado na imagem

deixou as bordas escuras e o centro da imagem muito clara. Na verdade, o método aplicado

piorou a qualidade da imagem do ponto de vista de normalização.

Page 99: proposicão de um algoritmo para identificação biométrica de ...

97Figura 13 - Equalização global do histograma da imagem

Fonte: Produção do próprio autor

5.3.2 Mapeamento e ajuste de intensidade de cinza

Como se pode visualizar na Figura 14, os resultados apresentaram praticamente as mes-

mas características da equalização global do histograma, mesmo após variação de todos os

parâmetros possíveis nas aplicações realizadas pelo software sobre a imagem. É um método

que não satisfaz a proposta de melhorar o contraste no caso das imagens capturadas neste

trabalho.

5.3.3 Equalização adaptativa por limite de contraste

Utilizando mais uma vez a imagem extraída na fase de pré-processamento anterior (imagem

ROI), e com o uso do software Matlab®, foi aplicada então a equalização de histograma

adaptativa por limite de contraste CLAHE e o resultado está apresentado na Figura 15 a

Page 100: proposicão de um algoritmo para identificação biométrica de ...

98Figura 14 - Mapeamento e ajuste de intensidade de cinza

Fonte: Produção do próprio autor

seguir:

Verica-se dessa forma que os resultados obtidos são satisfatórios, mostrando que o con-

traste da imagem foi melhorado sem a geração de níveis muito diferentes de escala de cinza

no histograma e sem geração de muitos ruídos ao menos visíveis na imagem gerada, portanto,

este será o método de melhoramento de contraste utilizado no trabalho em questão. A Fi-

gura 16 abaixo apresenta todos os três resultados obtidos nas tentativas de melhoramento do

contraste das imagens. O melhor resultado obtido foi o último algoritmo utilizado ao aplicar

a equalização do histograma adaptativa por limite de contraste.

5.4 EXTRAÇÃO DE CARACTERÍSTICAS

Foram aplicadas as Equações 10, 11, 12, 13, 14 e 15 sobre cada imagem obtida, escolhendo

variações de escalas de 1 até 5, e ângulos variando entre 8 ou 16 como parâmetros de análise,

Page 101: proposicão de um algoritmo para identificação biométrica de ...

99Figura 15 - Equalização de histograma adaptativa por limite de contraste

Fonte: Produção do próprio autor

índices indicados pela bibliograa como sendo os melhores parâmetros para obtenção de carac-

terísticas de imagens. Após a aplicação da transformada Curvelet, foram criadas subimagens

e sub-bandas divididas de acordo com o número de escalas adotado.

Os resultados gerados representam diversos subconjuntos matriciais, cada um com seu

subgrupo, separando as características da imagem em subimagens. O primeiro conjunto é

composto de apenas uma matriz, o segundo conjunto é composto de oito matrizes, o terceiro

conjunto é composto de 16 matrizes e o quarto e último conjunto é composto de apenas uma

matriz, no caso da utilização de extração com 4 escalas e 16 ângulos. Este conjunto representa

o resultado apenas da primeira escala e do primeiro ângulo analisados, sendo que o processo

inteiro é realizado com 4 escalas e 16 ângulos.

A Tabela 2 abaixo apresenta a quantidade de características extraídas em cada análise e o

tempo de análise para a transformada de Curvelet.

Page 102: proposicão de um algoritmo para identificação biométrica de ...

100Figura 16 - Resultados dos processos de melhoramento do contraste

Fonte: Produção do próprio autor

Tabela 2 - Quantidade de características extraídas por imagemCURVELETS Qtde. de atributos Tempo de extração

Curvelet emsegundos

1 escala com 8 ângulos 512 0,0953791 escala com 16 ângulos 512 0,0933652 escalas com 8 ângulos 512 0,0997502 escalas com 16 ângulos 512 0,1076183 escalas com 8 ângulos 1536 0,5397213 escalas com 16 ângulos 2560 0,4339154 escalas com 8 ângulos 3584 0,5246864 escalas com 16 ângulos 6656 0,5378015 escalas com 8 ângulos 5632 0,5400465 escalas com 16 ângulos 10752 0,584043

Fonte: Produção do próprio autor

5.5 PROCESSO DE DIGITALIZAÇÃO DAS IMAGENS.

O operador LBP foi aplicado sobre todas as subimagens geradas e relatadas na Tabela 2,

e a Tabela 3 abaixo apresenta os tempos para concatenação dos dados em um único vetor,

utilizando LBP. Estes resultados representam a aplicação das Equações 23 e 24 em cada

imagem ROI extraída.

A fase posterior consiste na vericação da variância dos dados por métodos estatísticos para

vericação de padrões de repetição, e eliminação de características que não denam diferenças

entre as imagens, diminuindo assim o tamanho dos arquivos e aumentando a velocidade de

Page 103: proposicão de um algoritmo para identificação biométrica de ...

101Tabela 3 - Tempos envolvidos na binarização das subimagens com LBP

CURVELETS

Tempo de montagem

por LBP (em

segundos)

1 escala com 8 ângulos 0,0000211 escala com 16 ângulos 0,0000212 escalas com 8 ângulos 0,0000272 escalas com 16 ângulos 0,0000343 escalas com 8 ângulos 0,1407123 escalas com 16 ângulos 0,0978994 escalas com 8 ângulos 0,1264104 escalas com 16 ângulos 0,1359675 escalas com 8 ângulos 0,1393505 escalas com 16 ângulos 0,159923

Fonte: Produção do próprio autor

processamento.

5.6 SELEÇÃO DE ATRIBUTOS

No primeiro processo de seleção de atributos das imagens, foi utilizado o algoritmo CFS. A

Equação 25 foi aplicada a todas as características extraídas das imagens com a variação dos

parâmetros da transformada Curvelet e a seleção na quantidade de dados em cada caso pode

ser visualizada na Tabela 4.

Tabela 4 - Quantidade de características extraídas com algoritmo CFS

CURVELETSQtde. de atributos

originais

Qtde. de atributosoriginais após

seleção

1 escala com 8 ângulos 512 121 escala com 16 ângulos 512 122 escalas com 8 ângulos 512 62 escalas com 16 ângulos 512 63 escalas com 8 ângulos 1536 103 escalas com 16 ângulos 2560 104 escalas com 8 ângulos 3584 164 escalas com 16 ângulos 6656 165 escalas com 8 ângulos 5632 185 escalas com 16 ângulos 10752 18

Fonte: Produção do próprio autor

O segundo algoritmo aplicado para seleção de atributos foi o SUAE. A Equação 26 foi

aplicada a todas as características extraídas das imagens com a variação dos parâmetros da

transformada Curvelet e a seleção na quantidade de dados em cada caso pode ser visualizada

Page 104: proposicão de um algoritmo para identificação biométrica de ...

102

na Tabela 5.

Tabela 5 - Quantidade de características extraídas com algoritmo SUAE

CURVELETSQtde. de atributos

originais

Qtde. de atributosoriginais após

seleção

1 escala com 8 ângulos 512 1901 escala com 16 ângulos 512 1902 escalas com 8 ângulos 512 2452 escalas com 16 ângulos 512 2453 escalas com 8 ângulos 1536 2223 escalas com 16 ângulos 2560 2234 escalas com 8 ângulos 3584 2394 escalas com 16 ângulos 6656 2325 escalas com 8 ângulos 5632 2085 escalas com 16 ângulos 10752 199

Fonte: Produção do próprio autor

Em ambos os casos, a quantidade de dados doi reduzida, e foram avaliadas as precisões do

sistema utilizando a totalidade das características, utilizando apenas as seleções realizadas pelo

algoritmo CFS e, por m, utilizando o algoritmo SUAE. Apenas na fase de classicação foi

possível avaliar se estes métodos melhoram o desempenho do sistema proposto. Na próxima

fase do trabalho, são apresentados os resultados dos testes de classicação.

5.7 RESULTADOS OBTIDOS COM OS CLASSIFICADORES

Na próxima subseção 5.7.1 são apresentados os resultados obtidos com os algoritmos clas-

sicadores propostos no capítulo anterior, e estes são apresentados por tabelas e grácos,

provenientes dos processamentos dos algoritmos utilizando o pacote de software WEKA. O

software é um conjunto de algoritmos de aprendizado de máquina para tarefas de mineração de

dados, baseado em JAVA e com código aberto, criado em 1993 pela Universidade de Waikato,

Nova Zelândia. Muitos algoritmos propostos em trabalhos acadêmicos estão disponíveis para

uso. São apresentados os resultados do uso dos algoritmos Naive Bayes, algoritmo K-NN,

algoritmo C4.5/J48, algoritmo Random Forest e a rede neural articial MLP.

Os resultados apresentados pelo software WEKA são o tempo de criação do modelo a ser

classicado (campo Time), a taxa de verdadeiro positivo que indica quantas classes foram

identicadas de forma correta (campo TP Rate, onde TP signica True Positive), a taxa de

falso positivo que indica quantas classes foram identicadas de forma incorreta (campo FP

Rate, onde FP signica False Positive), e o campo ROC area é uma representação gráca

que ilustra o desempenho de um sistema de classicação binária, já comentada no capítulo

anterior.

Page 105: proposicão de um algoritmo para identificação biométrica de ...

103

Estes critérios de avaliação de classicação são muito utilizados em diversas áreas, no

entanto, para biometria as principais métricas são calculadas a partir das falsas identicações.

Os dois principais parâmetros avaliados são a taxa de falso negativo, comumente conhecida

pela sigla FRR e a taxa de falso positivo, conhecida pela siga FAR. A FAR é a probabilidade

do sistema identicar de forma incorreta uma pessoa que não deveria ser identicada pelo

sistema, e a FRR é a probabilidade do sistema identicar positivamente uma pessoa que não

deveria ser identicada. A representação da curva ROC neste caso é realizada colocando-se

a taxa FRR no eixo x de um plano cartesiano e a taxa FAR no eixo y deste mesmo plano

cartesiano. A curva ROC então é representada de forma gráca e o ponto da curva que mais

se aproxima da origem é conhecida como a taxa EER. Sistemas biométricos perfeitos (Todos

os indivíduos aprovados ou rejeitados corretamente) deveriam apresentar EER igual a zero.

Para que esta tese apresente as mesmas métricas utilizadas em outros trabalhos, os índices

foram calculados a partir dos resultados do software WEKA. O resultado FPRate na verdade

já é a taxa FAR, e a taxa FRR é igual a 1−TPRate. A área ROC igual a 1 representa a melhor

condição possível do classicador, podendo-se estimar precisão de 100%. Dessa forma, todos

os resultados apresentados pelo software WEKA foram transformados em métricas comuns às

análises biométricas.

5.7.1 Classicação de dados sem uso de técnicas de seleção

A Tabela 6 apresenta os resultados da classicação utilizando o algoritmo Naive Bayes.

O menor tempo de classicação foi de 0,08 segundos, obtido com as imagens que foram

extraídas pela transformada de Curvelet utilizando 1 e 2 escalas com 8 ou 16 ângulos e o maior

tempo de classicação foi de 2,11 segundos, obtido com as imagens que foram extraídas pela

transformada de Curvelet utilizando 5 escalas e 16 ângulos. Esses resultados eram esperados

pois quanto maior a quantidade de escalas e ângulos utilizadas na extração de características,

maior a quantidade de dados gerados. Os melhores resultados obtidos foram a FRR igual

a 0,433, FAR igual a 0,008 e área ROC igual a 0,922, para 4 escala e 8 ângulos. Pode-se

notar que as variações de ângulo não alteram os resultados para 1 e 2 escalas, percebe-se

que a transformada de Curvelet extrai os mesmos dados, independente da quantidade de

ângulos escolhidos. Vale lembrar que os melhores resultados possíveis para representação de

um sistema com 100% de precisão são FRR igual a zero, FAR igual a zero e área ROC igual

a um.

A Tabela 7 apresenta os resultados da classicação utilizando o algoritmo K-NN. Os tempos

de classicação foram praticamente nulos, os resultados foram apresentados em tempo real.

Os melhores resultados obtidos foram a FRR igual a 0,531, FAR igual a 0,010 e área ROC

Page 106: proposicão de um algoritmo para identificação biométrica de ...

104Tabela 6 - Resultados obtidos com o uso do classicador Naive BayesParâmetros Curvelet Tempo FRR FAR ROC area

1 escala, 8 ângulos 0,08 0,735 0,014 0,8801 escala, 16 ângulos 0,08 0,735 0,014 0,8802 escalas, 8 ângulos 0,08 0,602 0,012 0,9122 escalas, 16 ângulos 0,08 0,602 0,012 0,9123 escalas, 8 ângulos 0,23 0,483 0,009 0,9153 escalas, 16 ângulos 0,61 0,527 0,010 0,9154 escalas, 8 ângulos 0,67 0,433 0,008 0,9224 escalas, 16 ângulos 1,31 0,542 0,011 0,9095 escalas, 8 ângulos 1,33 0,481 0,009 0,9125 escalas, 16 ângulos 2,11 0,552 0,011 0,889

Fonte: Produção do próprio autor

igual a 0,729, para 1 escala e 8 ou 16 ângulos. Pode-se notar novamente que as variações

de ângulo não alteram os resultados para 1 e 2 escalas, percebe-se que a transformada de

Curvelet extrai os mesmos dados, independente da quantidade de ângulos escolhidos. Este

algoritmo apresenta um resultado pior que o algoritmo Naive Bayes analisado anteriormente,

com resultados obtidos de FRR igual a 0,433, FAR igual a 0,008 e área ROC igual a 0,922,

para 4 escala e 8 ângulos.

Tabela 7 - Resultados obtidos com o uso do classicador K-NNParâmetros Curvelet Tempo FRR FAR ROC area

1 escala, 8 ângulos 0,00 0,531 0,010 0,7291 escala, 16 ângulos 0,00 0,531 0,010 0,7292 escalas, 8 ângulos 0,00 0,654 0,013 0,6672 escalas, 16 ângulos 0,00 0,654 0,013 0,6673 escalas, 8 ângulos 0,00 0,594 0,012 0,6973 escalas, 16 ângulos 0,00 0,662 0,013 0,6634 escalas, 8 ângulos 0,00 0,640 0,013 0,6744 escalas, 16 ângulos 0,02 0,710 0,014 0,6385 escalas, 8 ângulos 0,00 0,671 0,013 0,6585 escalas, 16 ângulos 0,02 0,727 0,014 0,629

Fonte: Produção do próprio autor

A Tabela 8 apresenta os resultados da classicação utilizando o algoritmo C4.5/J48. O me-

nor tempo de classicação foi de 1,05 segundos, obtido com as imagens que foram extraídas

pela transformada de Curvelet utilizando 2 escalas e 8 ou 16 ângulos e o maior tempo de clas-

sicação foi de 13,26 segundos obtido com as imagens que foram extraídas pela transformada

de Curvelet utilizando 5 escalas e 16 ângulos. Os melhores resultados obtidos foram a FRR

igual a 0,587, FAR igual a 0,012 e área ROC igual a 0,712, para 5 escalas e 8 ângulos. Este

algoritmo apresenta um resultado pior que o algoritmo Naive Bayes analisado anteriormente,

com resultados obtidos de FRR igual a 0,433, FAR igual a 0,008 e área ROC igual a 0,922,

para 4 escala e 8 ângulos, e o algoritmo K-NN com FRR igual a 0,531, FAR igual a 0,010 e

Page 107: proposicão de um algoritmo para identificação biométrica de ...

105

área ROC igual a 0,729, para 1 escala e 8 ou 16 ângulos

Tabela 8 - Resultados obtidos com o uso do classicador C4.5/J48Parâmetros Curvelet Tempo FRR FAR ROC area

1 escala, 8 ângulos 1,79 0,788 0,015 0,6271 escala, 16 ângulos 1,09 0,788 0,015 0,6272 escalas, 8 ângulos 1,05 0,763 0,015 0,6332 escalas, 16 ângulos 1,05 0,763 0,015 0,6333 escalas, 8 ângulos 2,61 0,694 0,014 0,6633 escalas, 16 ângulos 3,99 0,708 0,014 0,6504 escalas, 8 ângulos 5,02 0,673 0,013 0,6714 escalas, 16 ângulos 10,39 0,667 0,013 0,6765 escalas, 8 ângulos 8,16 0,587 0,012 0,7125 escalas, 16 ângulos 13,26 0,638 0,013 0,682

Fonte: Produção do próprio autor

A Tabela 9 apresenta os resultados da classicação utilizando o algoritmo Random Forest.

O menor tempo de classicação foi de 2,68 segundos, obtido com as imagens que foram

extraídas pela transformada de Curvelet utilizando 2 escalas e 8 ou 16 ângulos e o maior

tempo de classicação foi de 17,19 segundos ,obtido com as imagens que foram extraídas pela

transformada de Curvelet utilizando 5 escalas e 16 ângulos. Os melhores resultados obtidos

foram a FRR igual a 0,519, FAR igual a 0,010 e área ROC igual a 0,921, para 1 escala e

8 ou 16 ângulos. Este algoritmo apresenta um resultado pior que o algoritmo Naive Bayes

analisado anteriormente, com resultados obtidos de FRR igual a 0,433, FAR igual a 0,008 e

área ROC igual a 0,922, para 4 escala e 8 ângulos mas supera os algoritmos K-NN com FRR

igual a 0,531, FAR igual a 0,010 e área ROC igual a 0,729, para 1 escala e 8 ou 16 ângulos

e o algoritmo C4.5/J48 com FRR igual a 0,531, FAR igual a 0,010 e área ROC igual a 0,729,

para 1 escala e 8 ou 16 ângulos.

Tabela 9 - Resultados obtidos com o uso do classicador Random ForestParâmetros Curvelet Tempo FRR FAR ROC area

1 escala, 8 ângulos 3,37 0,519 0,010 0,9211 escala, 16 ângulos 2,76 0,519 0,010 0,9212 escalas, 8 ângulos 2,68 0,527 0,010 0,9352 escalas, 16 ângulos 2,68 0,527 0,010 0,9353 escalas, 8 ângulos 4,66 0,552 0,011 0,9323 escalas, 16 ângulos 5,53 0,677 0,013 0,9064 escalas, 8 ângulos 6,94 0,679 0,013 0,8994 escalas, 16 ângulos 11,29 0,815 0,016 0,8425 escalas, 8 ângulos 9,86 0,785 0,015 0,8505 escalas, 16 ângulos 17,19 0,867 0,017 0,787

Fonte: Produção do próprio autor

Os Grácos 6, 7, 8 e 9 apresentam os resultados das áreas ROC e das taxas FRR e FAR

de cada classicador analisado. Na ordem de precisão, o melhor algoritmo utilizado para

Page 108: proposicão de um algoritmo para identificação biométrica de ...

106

classicação dos dados foi o Naive Bayes, seguido pelos algoritmos Random Forest, C4.5/J48

e KNN. Nota-se que para classicação dos dados extraídos das imagens, não existe um padrão

denido de qual o melhor ângulo ou qual a melhor escala a ser utilizada na transformada de

Curvelet, os resultados são aleatórios em cada caso avaliado quando utilizada a totalidade dos

dados sem o uso de técnicas de seleção.

Gráco 6 - Resultados com o uso do classicador Naive Bayes

Fonte: Produção do próprio autor

Page 109: proposicão de um algoritmo para identificação biométrica de ...

107Gráco 7 - Resultados com o uso do classicador K-NN

Fonte: Produção do próprio autor

Gráco 8 - Resultados com o uso do classicador C4.5/J48

Fonte: Produção do próprio autor

Page 110: proposicão de um algoritmo para identificação biométrica de ...

108Gráco 9 - Resultados com o uso do classicador Random Forest

Fonte: Produção do próprio autor

5.7.2 Classicação de dados após algoritmo SUAE

A Tabela 10 apresenta os resultados da classicação utilizando o algoritmo Naive Bayes

após seleção de características utilizando o algoritmo SUAE. Os tempos de classicação foram

praticamente nulos devido à quantidade de dados a serem avaliados terem sido reduzidos pelo

algoritmo proposto. Os melhores resultados obtidos foram a FRR igual a 0,188, FAR igual

a 0,004 e área ROC igual a 0,978, para 5 escala e 16 ângulos. O uso do algoritmo SUAE

para seleção dos dados apresenta um resultado muito superior que o algoritmo Naive Bayes

analisado anteriormente com todos os dados, com resultados obtidos de FRR igual a 0,433,

FAR igual a 0,008 e área ROC igual a 0,922, para 4 escala e 8 ângulos, mostrando que a

aplicação da técnica é válida.

A Tabela 11 apresenta os resultados da classicação utilizando o algoritmo K-NN após

seleção de características utilizando o algoritmo SUAE. Os melhores resultados obtidos foram

a FRR igual a 0,177, FAR igual a 0,003 e área ROC igual a 0,910, para 5 escala e 16 ângulos.

Os resultados apresentados pelo algoritmo K-NN antes da aplicação do algoritmo SUAE foi

de FRR igual a 0,531, FAR igual a 0,010 e área ROC igual a 0,729, para 1 escala e 8 ou 16

ângulos, portanto, percebe-se mais uma vez a melhoria com o uso da técnica de seleção de

atributos.

A Tabela 12 apresenta os resultados da classicação utilizando o algoritmo C4.5/J48 após

Page 111: proposicão de um algoritmo para identificação biométrica de ...

109Tabela 10 - Resultados com o classicador Naive Bayes e algoritmo SUAE

Parâmetros Curvelet Tempo FRR FAR ROC area

1 escala, 8 ângulos 0,03 0,646 0,013 0,9161 escala, 16 ângulos 0,03 0,646 0,013 0,9162 escalas, 8 ângulos 0,02 0,535 0,010 0,9362 escalas, 16 ângulos 0,03 0,535 0,010 0,9363 escalas, 8 ângulos 0,03 0,358 0,007 0,9493 escalas, 16 ângulos 0,02 0,348 0,007 0,9514 escalas, 8 ângulos 0,02 0,267 0,005 0,9674 escalas, 16 ângulos 0,03 0,267 0,005 0,9745 escalas, 8 ângulos 0,03 0,192 0,004 0,9705 escalas, 16 ângulos 0,02 0,188 0,004 0,978

Fonte: Produção do próprio autor

Tabela 11 - Resultados com o classicador K-NN e algoritmo SUAEParâmetros Curvelet Tempo FRR FAR ROC area

1 escala, 8 ângulos 0,00 0,600 0,012 0,6941 escala, 16 ângulos 0,00 0,600 0,012 0,6942 escalas, 8 ângulos 0,00 0,615 0,012 0,6862 escalas, 16 ângulos 0,00 0,615 0,012 0,6863 escalas, 8 ângulos 0,00 0,475 0,009 0,7583 escalas, 16 ângulos 0,00 0,469 0,009 0,7614 escalas, 8 ângulos 0,00 0,325 0,006 0,8344 escalas, 16 ângulos 0,00 0,333 0,007 0,8305 escalas, 8 ângulos 0,00 0,179 0,004 0,9095 escalas, 16 ângulos 0,00 0,177 0,003 0,910

Fonte: Produção do próprio autor

seleção de características utilizando o algoritmo SUAE. Os tempos de análise não excederam

meio segundo pois os dados analisados são reduzidos. Os melhores resultados obtidos foram

a FRR igual a 0,481, FAR igual a 0,009 e área ROC igual a 0,767, para 5 escala e 8 ângulos.

Este algoritmo novamente apresenta um resultado superior que os alcançados anteriormente

com FRR igual a 0,587, FAR igual a 0,012 e área ROC igual a 0,712, para 5 escalas e 8

ângulos.

A Tabela 13 apresenta os resultados da classicação utilizando o algoritmo Random Forest

após seleção de características utilizando o algoritmo SUAE. O menor tempo de classicação

foi de 1,69 segundos, obtido com as imagens que foram extraídas pela transformada de Curvelet

utilizando 1 escala e 8 ângulos e o maior tempo de classicação foi de 1,89 segundos, obtido

com as imagens que foram extraídas pela transformada de Curvelet utilizando 2 escalas e 8

ângulos. Os melhores resultados obtidos foram a FRR igual a 0,179, FAR igual a 0,004 e área

ROC igual a 0,990, para 5 escala e 16 ângulos. A aplicação do algoritmo de seleção de dados

melhorou os resultados de FRR igual a 0,519, FAR igual a 0,010 e área ROC igual a 0,921,

para 1 escala e 8 ou 16 ângulos obtidos anteriormente.

Page 112: proposicão de um algoritmo para identificação biométrica de ...

110Tabela 12 - Resultados com o classicador C4.5/J48 e algoritmo SUAE

Parâmetros Curvelet Tempo FRR FAR ROC area

1 escala, 8 ângulos 0,39 0,802 0,016 0,6201 escala, 16 ângulos 0,36 0,802 0,016 0,6202 escalas, 8 ângulos 0,50 0,762 0,015 0,6352 escalas, 16 ângulos 0,55 0,762 0,015 0,6353 escalas, 8 ângulos 0,39 0,617 0,012 0,7023 escalas, 16 ângulos 0,41 0,637 0,012 0,6924 escalas, 8 ângulos 0,41 0,573 0,011 0,7274 escalas, 16 ângulos 0,41 0,569 0,011 0,7295 escalas, 8 ângulos 0,33 0,481 0,009 0,7675 escalas, 16 ângulos 0,33 0,488 0,010 0,765

Fonte: Produção do próprio autor

Tabela 13 - Resultados com o classicador Random Forest e algoritmo SUAEParâmetros Curvelet Tempo FRR FAR ROC area

1 escala, 8 ângulos 1,81 0,590 0,012 0,9311 escala, 16 ângulos 1,69 0,590 0,012 0,9312 escalas, 8 ângulos 1,89 0,538 0,011 0,9462 escalas, 16 ângulos 1,87 0,538 0,011 0,9463 escalas, 8 ângulos 1,81 0,333 0,007 0,9693 escalas, 16 ângulos 1,87 0,335 0,007 0,9684 escalas, 8 ângulos 1,75 0,248 0,005 0,9874 escalas, 16 ângulos 1,76 0,265 0,005 0,9875 escalas, 8 ângulos 1,76 0,192 0,004 0,9885 escalas, 16 ângulos 1,79 0,179 0,004 0,990

Fonte: Produção do próprio autor

Os Grácos 10, 11, 12 e 13 apresentam os resultados das áreas ROC e das taxas FRR e

FAR de cada classicador analisado. Na ordem de precisão, o melhor algoritmo utilizado para

classicação dos dados foi o K-NN, seguido pelos algoritmos Random Forest, Naive Bayes e

C4.5/J48. Nota-se que para classicação dos dados extraídos das imagens, a melhor escala a

ser utilizada na transformada de Curvelet é igual a 5, com variações entre 8 ou 16 ângulos, os

resultados não são aleatórios em cada caso avaliado, pode-se armar após análise das Tabelas

10, 11, 12 e 13 que quanto maior a quantidade de subimagens extraídas, maior a precisão do

sistema com a seleção das características pelo uso do algoritmo SUAE.

Page 113: proposicão de um algoritmo para identificação biométrica de ...

111Gráco 10 - Resultados com classicador Naive Bayes utilizando SUAE

Fonte: Produção do próprio autor

Gráco 11 - Resultados com classicador K-NN utilizando SUAE

Fonte: Produção do próprio autor

Page 114: proposicão de um algoritmo para identificação biométrica de ...

112Gráco 12 - Resultados com classicador C4.5/J48 utilizando SUAE

Fonte: Produção do próprio autor

Gráco 13 - Resultados com classicador Random Forest utilizando SUAE

Fonte: Produção do próprio autor

Page 115: proposicão de um algoritmo para identificação biométrica de ...

113

5.7.3 Classicação de dados após algoritmo CFS

A Tabela 14 apresenta os resultados da classicação utilizando o algoritmo Naive Bayes

após seleção de características utilizando o algoritmo CFS. Os tempos de classicação foram

nulos, pois a quantidade de dados foi muito reduzida, e a classicação ocorreu praticamente

em tempo real. Os melhores resultados obtidos foram a FRR igual a 0,150, FAR igual a 0,003

e área ROC igual a 0,995, para 5 escala e 8 ou 16 ângulos. Comparando-se com os resultados

obtidos antes da seleção de características as taxas de FRR igual a 0,531, FAR igual a 0,010 e

área ROC igual a 0,729 melhoraram e após o uso do algoritmo SUAE apresentando taxas de

FRR igual a 0,188, FAR igual a 0,004 e área ROC igual a 0,978, para 5 escala e 16 ângulos

também melhoraram. Este algoritmo de seleção de características, além de ser o melhor em

termos de quantidade de dados a serem analisados, também supera o algoritmo SUAE.

Tabela 14 - Resultados com o classicador Naive Bayes e algoritmo CFSParâmetros Curvelet Tempo FRR FAR ROC area

1 escala, 8 ângulos 0,00 0,677 0,013 0,9231 escala, 16 ângulos 0,03 0,677 0,013 0,9232 escalas, 8 ângulos 0,00 0,648 0,013 0,9342 escalas, 16 ângulos 0,00 0,648 0,013 0,9343 escalas, 8 ângulos 0,00 0,463 0,009 0,9453 escalas, 16 ângulos 0,00 0,629 0,012 0,9254 escalas, 8 ângulos 0,00 0,281 0,006 0,9834 escalas, 16 ângulos 0,00 0,281 0,006 0,9835 escalas, 8 ângulos 0,00 0,150 0,003 0,9955 escalas, 16 ângulos 0,02 0,150 0,003 0,995

Fonte: Produção do próprio autor

A Tabela 15 apresenta os resultados da classicação utilizando o algoritmo K-NN após

seleção de características utilizando o algoritmo CFS. Os tempos de classicação foram prati-

camente nulos como no caso anterior, os resultados foram apresentados em tempo real, assim

como aconteceu antes das reduções, conforme esperado pelo fato da quantidade de dados ter

sido reduzida.

Os melhores resultados obtidos foram a FRR igual a 0,150, FAR igual a 0,003 e área ROC

igual a 0,924, para 5 escala e 8 ou 16 ângulos. Comparando-se com os resultados obtidos

antes da seleção de características as taxas de FRR igual a 0,531, FAR igual a 0,010 e área

ROC igual a 0,729, para 1 escala e 8 ou 16 ângulos melhoraram e após o uso do algoritmo

SUAE com taxas de FRR igual a 0,177, FAR igual a 0,003 e área ROC igual a 0,910, para 5

escala e 16 ângulos também melhoraram.

A Tabela 16 apresenta os resultados da classicação utilizando o algoritmo C4.5/J48 após

seleção de características utilizando o algoritmo CFS. Pode-se armar novamente que os tem-

Page 116: proposicão de um algoritmo para identificação biométrica de ...

114Tabela 15 - Resultados com o classicador K-NN e algoritmo CFSParâmetros Curvelet Tempo FRR FAR ROC area

1 escala, 8 ângulos 0,00 0,721 0,014 0,6321 escala, 16 ângulos 0,00 0,721 0,014 0,6322 escalas, 8 ângulos 0,00 0,667 0,013 0,6602 escalas, 16 ângulos 0,02 0,667 0,013 0,6603 escalas, 8 ângulos 0,00 0,481 0,009 0,7553 escalas, 16 ângulos 0,00 0,644 0,013 0,6724 escalas, 8 ângulos 0,00 0,388 0,008 0,8024 escalas, 16 ângulos 0,00 0,388 0,008 0,8025 escalas, 8 ângulos 0,00 0,150 0,003 0,9245 escalas, 16 ângulos 0,00 0,150 0,003 0,924

Fonte: Produção do próprio autor

pos de classicação foram praticamente nulos como nos dois casos anteriores. Os melhores

resultados obtidos foram a FRR igual a 0,429, FAR igual a 0,008 e área ROC igual a 0,800,

para 5 escala e 8 ou 16 ângulos. Comparando-se com os resultados obtidos antes da seleção

de características as taxas de FRR igual a 0,587, FAR igual a 0,012 e área ROC igual a 0,712,

para 5 escalas e 8 ângulos melhoraram e após o uso do algoritmo SUAE com taxas de FRR

igual a 0,481, FAR igual a 0,009 e área ROC igual a 0,767, para 5 escala e 8 ângulos também

melhoraram. Este algoritmo de seleção de características, além de ser o melhor em termos de

quantidade de dados a serem analisados, também supera o algoritmo SUAE como no uso do

algoritmo Naive Bayes e do algoritmo K-NN.

Tabela 16 - Resultados com o classicador C4.5/J48 e algoritmo CFSParâmetros Curvelet Tempo FRR FAR ROC area

1 escala, 8 ângulos 0,69 0,802 0,016 0,6321 escala, 16 ângulos 0,03 0,802 0,016 0,6322 escalas, 8 ângulos 0,02 0,742 0,015 0,6592 escalas, 16 ângulos 0,03 0,742 0,015 0,6593 escalas, 8 ângulos 0,02 0,638 0,013 0,7053 escalas, 16 ângulos 0,03 0,721 0,014 0,6734 escalas, 8 ângulos 0,05 0,550 0,011 0,7514 escalas, 16 ângulos 0,03 0,550 0,011 0,7515 escalas, 8 ângulos 0,05 0,429 0,008 0,8005 escalas, 16 ângulos 0,05 0,429 0,008 0,800

Fonte: Produção do próprio autor

A Tabela 17 apresenta os resultados da classicação utilizando o algoritmo Random Forest

após seleção de características utilizando o algoritmo CFS. O menor tempo de classicação foi

de 0,69 segundos, obtido com as imagens que foram extraídas pela transformada de Curvelet

utilizando 2 escalas e 8 ângulos e o maior tempo de classicação foi de 1,06 segundos, obtido

com as imagens que foram extraídas pela transformada de Curvelet utilizando 1 escala e 8

Page 117: proposicão de um algoritmo para identificação biométrica de ...

115

ângulos. Os melhores resultados obtidos foram a FRR igual a 0,127, FAR igual a 0,002 e área

ROC igual a 0,996, para 5 escala e 8 ou 16 ângulos. Comparando-se com os resultados obtidos

antes da seleção de características as taxas de FRR igual a 0,519, FAR igual a 0,010 e área

ROC igual a 0,921, para 1 escala e 8 ou 16 ângulos melhoraram e após o uso do algoritmo

SUAE com taxas de FRR igual a 0,179, FAR igual a 0,004 e área ROC igual a 0,990, para 5

escala e 16 ângulos também melhoraram. Este algoritmo de seleção de características, além

de ser o melhor em termos de quantidade de dados a serem analisados, também supera o

algoritmo SUAE como no uso do algoritmo Naive Bayes, do algoritmo K-NN e do algoritmo

C4.5/J48.

Tabela 17 - Resultados com o classicador Random Forest e algoritmo CFSParâmetros Curvelet Tempo FRR FAR ROC area

1 escala, 8 ângulos 1,06 0,688 0,013 0,9221 escala, 16 ângulos 0,86 0,688 0,013 0,9222 escalas, 8 ângulos 0,69 0,621 0,012 0,9282 escalas, 16 ângulos 0,70 0,621 0,012 0,9283 escalas, 8 ângulos 0,86 0,396 0,008 0,9513 escalas, 16 ângulos 0,92 0,569 0,011 0,9424 escalas, 8 ângulos 0,94 0,285 0,006 0,9874 escalas, 16 ângulos 0,92 0,285 0,006 0,9875 escalas, 8 ângulos 1,01 0,127 0,002 0,9965 escalas, 16 ângulos 0,84 0,127 0,002 0,996

Fonte: Produção do próprio autor

Os Grácos 14, 15, 16 e 17 apresentam os resultados das áreas ROC e das taxas FRR e

FAR de cada classicador analisado. Na ordem de precisão, o melhor algoritmo utilizado para

classicação dos dados foi o Random Forest, os algoritmos Naive Bayes e K-NN apresentam

resultados iguais em termos de taxas FRR e FAR mas o primeiro é superior no critério de área

ROC, e o pior algoritmo é o C4.5/J48. Nota-se que para classicação dos dados extraídos das

imagens, a melhor escala a ser utilizada na transformada de Curvelet é igual a 5, com variações

entre 8 ou 16 ângulos, como já havia sido vericado na aplicação do algoritmo SUAE.

5.8 ANÁLISE DE CLASSIFICAÇÃO COM REDE NEURAL ARTIFICIAL

A rede neural articial criada utiliza o parâmetro a no campo hyddenLayers. Este

parâmetro dene a quantidade de camadas ocultas e quantos neurônios articiais constituirão

cada camada. A quantidade de camadas ocultas é xada em única por este parâmetro e a

quantidade de neurônios articiais é calculada somando-se a quantidade de atributos de cada

imagem (parâmetros de entrada da rede neural articial) com as classes da rede (parâmetros

de saída da rede neural, que neste caso são os usuários cadastrados no sistema biométrico), e

Page 118: proposicão de um algoritmo para identificação biométrica de ...

116Gráco 14 - Resultados com classicador Naive Bayes utilizando CFS

Fonte: Produção do próprio autor

Gráco 15 - Resultados com classicador K-NN utilizando CFS

Fonte: Produção do próprio autor

dividindo o resultado por dois. A quantidade de neurônios articiais criados em cada análise

pode ser visualizada na Tabela 18.

Foram realizados três testes distintos sendo o primeiro com todos os parâmetros extraídos de

cada imagem, o segundo teste com aplicação das técnicas de seleção de características SUAE

Page 119: proposicão de um algoritmo para identificação biométrica de ...

117Gráco 16 - Resultados com classicador C4.5/J48 utilizando CFS

Fonte: Produção do próprio autor

Gráco 17 - Resultados com classicador Random Forest utilizando CFS

Fonte: Produção do próprio autor

e e o terceiro teste com técnicas de seleção de características CFS. As análises realizadas

mostraram que a rede neural articial se torna inaplicável quando a quantidade de dados de

entrada é elevado, do ponto de vista do tempo demandado para a resolução. A quantidade de

dados de entrada utilizada para os testes são os mesmos demonstrados na Tabela 18. O tempo

Page 120: proposicão de um algoritmo para identificação biométrica de ...

118Tabela 18 - Quantidade de neurônios articiais criados na classicação por RNA

CURVELETS

Qtde. deneurôniosarticiais

criados com osdados originais

Qtde. deneurôniosarticiais

criados apósseleção por

SUAE

Qtde. deneurôniosarticiais

criados apósseleção por

CFS1 escala, 8 ângulos 282 121 321 escala, 16 ângulos 282 121 322 escalas, 8 ângulos 282 149 292 escalas, 16 ângulos 282 149 293 escalas, 8 ângulos 794 137 313 escalas, 16 ângulos 1306 138 314 escalas, 8 ângulos 1818 146 344 escalas, 16 ângulos 3354 192 345 escalas, 8 ângulos 2842 130 355 escalas, 16 ângulos 5402 126 35

Fonte: Produção do próprio autor

de execução da rede levou cerca de 22 horas para geração de resultados quando utilizados

todos os parâmetros extraídos pela transformada de Curvelet. A mesma característica foi

vericada com o uso de reduções por algoritmo SUAE pois apesar de reduzir a quantidade

de dados a serem analisados, o tempo de execução da rede levou cerca de 8 horas para

geração de resultados. Estes dois casos demonstram inviabilidade de uso em sistemas reais

de identicação de pessoas. Com a aplicação da técnica de seleção de dados utilizando o

algoritmo CFS os resultados foram satisfatórios, pois os tempos de execução foram em média

de 37,49 segundos para a construção e análise da rede completa e classicação dos 52 usuários

da análise efetuada, o que resulta em média 720 ms segundos para a identicação de uma

pessoa.

A Figura 17 ilustra a rede neural articial criada no software WEKA. O número de épocas

(do inglês number of epochs) utilizado foi 500 (tempo de treinamento, trata-se de quinhentos

ciclos de propagação e retropropagação da rede neural articial durante o treinamento), e

após testes efetuados, nota-se que a partir de 100 épocas os resultados são praticamente os

mesmos, apresentando uma variação de FRR em 0,004, com o tempo de processamento cinco

vezes mais rápido.

Os resultados obtidos podem ser visualizados na Tabela 19. Pode-se notar na tabela citada

que os resultados se repetem quanto à variação de ângulos, neste caso só são relevantes as

alterações de escala na extração de caraterísticas por transformada de Curvelet. Levando-se

em consideração que a extração de dados com variação de ângulos altera signicativamente

o tempo de processamento (8 ângulos utiliza menos tempo computacional no processamento

que 16 ângulos), é razoável adotar neste método de classicação apenas extrações com 8

Page 121: proposicão de um algoritmo para identificação biométrica de ...

119Figura 17 - Rede neural articial criada no software WEKA

Fonte: Produção do próprio autor

ângulos. Dessa forma, os melhores resultados obtidos foram a FRR igual a 0,038, FAR igual

a 0,001 e área ROC igual a 0,999, para 5 escalas e 8 ou 16 ângulos. Os melhores resultados

obtidos até então eram da classicação por árvore de decisão Random Forest após seleção

com algoritmo CFS utilizando 5 escalas e 8 ângulos, que apresentavam a FRR igual a 0,127,

FAR igual a 0,002 e área ROC igual a 0,996, mostrando assim que a rede neural articial

proposta supera todas as outras técnicas de classicação utilizadas neste trabalho.

O Gráco 18 apresenta os resultados das taxas FAR, FRR e área ROC obtidas pelo processo

de classicação por RNA, mostrados na Tabela 19.

5.9 ANÁLISE DA QUANTIDADE DE IMAGENS UTILIZADAS

Foram criados dez bancos de dados diferentes variando a quantidade de imagens em cada

banco. No primeiro banco de dados, foi colocada somente a primeira imagem capturada da

mão de cada usuário, no segundo banco de dados foram colocadas as primeiras e segundas

Page 122: proposicão de um algoritmo para identificação biométrica de ...

120Tabela 19 - Resultados com o classicador RNA e algoritmo CFSParâmetros Curvelet Tempo FRR FAR ROC area

1 escala, 8 ângulos 37,62 0,673 0,010 0,9131 escala, 16 ângulos 35,58 0,673 0,010 0,9132 escalas, 8 ângulos 29,09 0,712 0,011 0,9262 escalas, 16 ângulos 29,39 0,712 0,011 0,9263 escalas, 8 ângulos 32,90 0,442 0,008 0,9743 escalas, 16 ângulos 47,46 0,442 0,008 0,9744 escalas, 8 ângulos 38,88 0,288 0,005 0,9954 escalas, 16 ângulos 39,11 0,288 0,005 0,9955 escalas, 8 ângulos 42,49 0,038 0,001 0,9995 escalas, 16 ângulos 42,35 0,038 0,001 0,999

Fonte: Produção do próprio autor

Gráco 18 - Resultados obtidos na classicação por RNA

Fonte: Produção do próprio autor

imagens de cada usuário, o terceiro banco de dados é composto pela primeira, segunda e ter-

ceira imagem de cada usuário e assim sucessivamente até o uso das dez imagens. A hipótese

levantada nesta análise é de que possam ser realizadas classicações com um número menor

de imagens capturadas. Para as análises, foram aplicados novamente os cinco classicadores

escolhidos neste trabalho, e as extrações de características foram feitas com o uso da trans-

formada de Curvelet, com os parâmetros de escala igual a 5 e ângulo igual a 8, pois estes

foram os que apresentaram melhor classicação na seção anterior. A Tabela 20 apresenta

os resultados com o uso do classicador Naive Bayes aplicado aos diversos bancos de dados

criados. Pode-se observar que a partir de 4 imagens em cada banco, o resultado em relação

Page 123: proposicão de um algoritmo para identificação biométrica de ...

121

às taxas FRR, FAR e área ROC já são satisfatórios. Para se obter um resultado razoável, ou

seja, mais próximo dos resultados obtidos com dez imagens, é necessário neste classicador

utilizar ao menos cinco imagens.

Tabela 20 - Classicador Naive Bayes com variação da quantidade de imagensQuantidade Tempo FRR FAR ROC area

1 imagem 0,00 1,000 0,020 0,4902 imagens 0,00 1,000 0,020 0,4123 imagens 0,00 0,891 0,017 0,7684 imagens 0,00 0,495 0,001 0,9325 imagens 0,00 0,281 0,006 0,9756 imagens 0,00 0,240 0,005 0,9847 imagens 0,00 0,192 0,004 0,9878 imagens 0,00 0,142 0,003 0,9929 imagens 0,02 0,143 0,003 0,99310 imagens 0,02 0,150 0,003 0,995

Fonte: Produção do próprio autor

No caso do classicador K-NN, a partir de duas imagens pode-se obter bons resultados,

como pode ser visto na Tabela 21, mas os melhores resultados obtidos também caram entre

quatro e cinco imagens. Com apenas duas imagens, este classicador já é mais eciente que o

classicador Naive Bayes. A partir desta quantidade, os resultados praticamente se repetem.

Tabela 21 - Classicador K-NN com variação da quantidade de imagensQuantidade Tempo FRR FAR ROC area

1 imagem 0.02 1,000 0,020 0,4902 imagens 0,00 0,250 0,005 0,8733 imagens 0,00 0,282 0,006 0,8494 imagens 0,00 0,139 0,003 0,9335 imagens 0,00 0,138 0,003 0,9296 imagens 0,00 0,160 0,003 0,9197 imagens 0.05 0,179 0,004 0,9148 imagens 0,00 0,147 0,003 0,9289 imagens 0,00 0,145 0,003 0,93010 imagens 0,00 0,150 0,003 0,924

Fonte: Produção do próprio autor

Os resultados das análises realizadas com o classicador C4.5/J48 são apresentadas na

Tabela 22. Nota-se mais uma vez que a partir de cinco imagens, os resultados obtidos são

bem próximos. Com cinco imagens tem-se taxas FRR igual a 0,538, FAR igual a 0,011 e área

ROC igual a 0,737 enquanto que com dez imagens a taxa FRR é igual a 0,429, FAR igual a

0,008 e área ROC igual a 0,800. A melhoria nos resultados com dez imagens não condiz com o

uso do dobro de imagens. Neste algoritmo, em qualquer quantidade de imagens, os resultados

são muito piores que os outros utilizados nas análises, na ordem de aproximadamente três

Page 124: proposicão de um algoritmo para identificação biométrica de ...

122

vezes menos preciso.

Tabela 22 - Classicador C4.5/J48 com variação da quantidade de imagensQuantidade Tempo FRR FAR ROC area

1 imagem 2,15 1,000 0.02 0,4782 imagens 0,05 0,962 0.019 0,6543 imagens 0,02 0,622 0.012 0,7004 imagens 0,03 0,572 0.011 0,7225 imagens 0,05 0,538 0.011 0,7376 imagens 0,03 0,535 0.01 0,7527 imagens 0,05 0,495 0.01 0,7738 imagens 0,05 0,454 0.009 0,7819 imagens 0,05 0,438 0.009 0,79710 imagens 0,05 0,429 0.008 0,800

Fonte: Produção do próprio autor

O classicador Random Forest apresentou resultados parecidos com os outros classicadores,

sendo que a partir de cinco imagens os resultados são bem próximos, tanto em relação com a

taxa FRR quanto com FAR e área ROC, como pode ser visualizado na Tabela 23:

Tabela 23 - Classicador Random Forest com variação da quantidade de imagensQuantidade Tempo FRR FAR ROC area

1 imagem 0,92 1,000 0.02 0,1012 imagens 0,33 0,606 0.012 0,9603 imagens 0,48 0,365 0.007 0,9824 imagens 0,62 0,250 0.005 0,9885 imagens 0,80 0,158 0.003 0,9926 imagens 0,80 0,176 0.003 0,9937 imagens 0,91 0,143 0.003 0,9958 imagens 1,26 0,135 0.003 0,9959 imagens 1,45 0,139 0.003 0,99510 imagens 0,84 0,127 0.002 0,996

Fonte: Produção do próprio autor

Os Grácos 19, 20, 21 e 22 apresentam os resultados das Tabelas 20, 21, 22 e 23. Pode-se

visualizar de forma mais clara a tendência de repetição de resultados a partir da análise de

cinco imagens.

Com a aplicação de redes neurais articiais não foi possível analisar uma única imagem

no banco de dados pois o algoritmo de seleção de características CFS não efetuou reduções

nos parâmetros de entrada, com isso a rede neural foi criada com 5632 atributos causando

lentidão no processamento. Na prática a rede neural foi treinada por mais de 22 horas e não

apresentou resultados. Foram então realizados testes com bancos de dados variando de duas

a dez imagens e os resultados podem ser vericados na Tabela 24. Neste caso, os resultados

obtidos mostram novamente que a partir de cinco imagens os resultados são satisfatórios,

Page 125: proposicão de um algoritmo para identificação biométrica de ...

123Gráco 19 - Uso do classicador Naive Bayes com variação da quantidade de imagens

Fonte: Produção do próprio autor

Gráco 20 - Uso do classicador K-NN com variação da quantidade de imagens

Fonte: Produção do próprio autor

superando os melhores resultados alcançados com o algoritmo Random Forest.

O Gráco 18 apresenta os resultados da Tabela 24. Pode-se visualizar de forma mais clara

a tendência de repetição de resultados a partir da análise de cinco imagens.

Page 126: proposicão de um algoritmo para identificação biométrica de ...

124Gráco 21 - Uso do classicador C4.5/J48 com variação da quantidade de imagens

Fonte: Produção do próprio autor

Gráco 22 - Uso do classicador Random Forest com variação da quantidade de imagens

Fonte: Produção do próprio autor

Page 127: proposicão de um algoritmo para identificação biométrica de ...

125Tabela 24 - Classicador MLP com variação da quantidade de imagens

Quantidade Tempo FRR FAR ROC area

2 imagens 21,57 0,500 0,000 0,8253 imagens 36,53 0,312 0,000 0,9964 imagens 29,68 0,143 0,007 0,9695 imagens 133,49 0,077 0,000 1,0006 imagens 40,36 0,194 0,003 0,9857 imagens 24,98 0,139 0,001 0,9998 imagens 88,30 0,119 0,004 0,9999 imagens 113,55 0,255 0,004 0,99610 imagens 98,36 0,058 0,002 1,000

Fonte: Produção do próprio autor

Figura 18 - Classicação por RNA com variação na quantidade de imagens

Fonte: Produção do próprio autor

5.10 ANÁLISE DE PERMANÊNCIA DOS DADOS

Uma das características que denem a qualidade de um sistema biométrico é a permanência

dos dados. Como forma de se avaliar este parâmetro, foram capturadas imagens de 17 usuários

um ano após a primeira captura (agosto de 2014 e agosto de 2015). Esta análise representa

uma amostra de 32,7% do banco de imagens total que é composto por imagens de 52 usuários.

Não foram obtidas imagens de todos os usuários pois as mesmas foram capturadas de alunos

de uma faculdade e muitos já haviam terminado o curso, dicultando o acesso aos mesmos.

No momento da captura das imagens, foram novamente levantados os dados de peso, pois

a hipótese levantada é de que a quantidade de gordura nas mãos diferencia o padrão de

Page 128: proposicão de um algoritmo para identificação biométrica de ...

126

imagens geradas pelas veias, já que estão estão bem próximas à epiderme. Foram calculadas

as taxas de variação de pesos e o Índice de Massa Corpórea (IMC) de cada pessoa para serem

utilizados como parâmetros na comparação das imagens. Estes dados podem ser visualizados

nas Tabelas 25 e 26.

Tabela 25 - Dados dos usuários avaliadosMatrícula Sexo Altura

(m)

Idade

em

2014

Peso

(Kg)

em

2014

Peso

(Kg)

em

2015

IMC

em

2014

IMC

em

2015

11214156 M 1,79 28 94 96 31,3 31,312216971 M 1,70 20 73 76 29,3 30,012216972 M 1,68 27 73 73 25,3 26,312216978 M 1,73 20 93 93 31,1 31,112216979 M 1,72 25 80 85 27,0 28,712216980 M 1,72 20 66 66 22,3 22,312216981 M 1,80 20 67 65 20,7 20,112216984 M 1,75 23 56 56 18,3 18,312216989 F 1,75 22 72 74 23,5 24,212217045 M 1,76 19 75 75 24,2 24,212217046 M 1,76 19 63 65 20,3 21,012217051 M 1,70 20 63 63 21,8 21,812217056 M 1,85 29 92 92 26,9 26,912217059 M 1,71 20 65 64 22,2 21,912217100 M 1,78 33 66 66 25,9 25,912217119 M 1,81 26 88 90 20,8 20,812217138 M 1,77 28 98 98 26,9 27,5

Fonte: Produção do próprio autor

Para as análises foram calculadas variações de imagens utilizando novamente os algoritmos

SUAE e CFS. Como estes algoritmos são discriminadores de atributos entre imagens, foram

criados bancos de dados de cada indivíduo a ser analisado contendo onze imagens, sendo

10 imagens do ano anterior nomeadas pela matrícula do usuário (todas as imagens tem o

mesmo nome) e 1 imagem após um ano nomeada como teste, e o algoritmos então foram

aplicados para se vericar quantos parâmetros entre estes conteúdos eram considerados iguais

a ponto de poderem ser eliminados em processos de classicação, e quantos são os parâmetros

diferentes entre os conjuntos. Na fase de classicação, os algoritmos foram utilizados para

diminuir a quantidade de dados a serem classicados entre os 17 usuários, e os resultados foram

satisfatórios, portanto, nesta etapa a ideia principal consiste em relacionar os parâmetros que

são diferentes entre as dez imagens capturadas anteriormente com a imagem capturada após

um ano. Após os testes, verica-se que as variações são baixas, apresentadas na Tabela 26,

pode-se vericar nos campos CFS e SUAE que os parâmetros obtidos são os mesmos, apesar

da avaliação ser realizada por princípios matemáticos diferentes, os resultados se repetem,

Page 129: proposicão de um algoritmo para identificação biométrica de ...

127

provando assim que estes são os parâmetros que diferem as imagens durante o período de um

ano. A menor variação foi de 4,81% e a maior variação foi de 6,45%. Nota-se que a maior

variação em termos de atributos de imagem ocorreu no indivíduo com a maior variação do

IMC (usuário que mais ganhou peso neste período avaliado).

Tabela 26 - Variações das imagens no período de um anoMatrícula Variação

do IMC

IMC

em

2014

IMC

em

2015

CFS SUAE Variação

da imagem

11214156 0,7 29,3 30,0 308 308 5,47%12216971 1,0 25,3 26,3 333 333 5,91%12216972 0,0 25,9 25,9 319 319 5,66%12216978 0,0 31,1 31,1 310 310 5,50%12216979 1,7 27,0 28,7 363 363 6,45%12216980 0,0 22,3 22,3 317 317 5,63%12216981 -0,6 20,7 20,1 313 313 5,56%12216984 0,0 18,3 18,3 347 347 6,16%12216989 0,7 23,5 24,2 362 362 6,43%12217045 0,0 24,2 24,2 295 295 5,24%12217046 0,7 20,3 21,0 311 311 5,52%12217051 0,0 21,8 21,8 271 271 4,81%12217056 0,0 26,9 26,9 295 295 5,24%12217059 -0,3 22,2 21,9 277 277 4,92%12217100 0,0 20,8 20,8 285 285 5,06%12217119 0,6 26,9 27,5 301 301 5,34%12217138 0,0 31,3 31,3 289 289 5,13%

Fonte: Produção do próprio autor

Pode-se armar através da visualização do Gráco 23 que representa os dados da Tabela

26, que há uma leve tendência de variação da imagem de acordo com a variação de peso.

Estima-se com base nos dados da Tabela 26 que a imagem varia cerca de 1% a cada variação

unitária do índice de massa corpórea do indivíduo. O que se pode notar é que as variações

são muito baixas no período analisado.

As 17 imagens obtidas foram acrescentadas ao banco de imagens que contém originalmente

520 imagens, dessa forma apenas 17 usuários irão conter 11 imagens de cada, e os outros

35 usuários continuam contendo 10 imagens. A hipótese é de se classicar novamente os

dados para avaliar se as imagens prejudicam a sensibilidade do método proposto. Após análise

utilizando a mesma rede neural articial, obteve-se como resultado os dados da Tabela 27 .

Pode-se vericar que a FRR foi igual a 0,110 e a FAR foi igual a 0,002, próximos dos valores

de FRR igual a 0,058 e FAR igual a 0,002 obtidos anteriormente.

Page 130: proposicão de um algoritmo para identificação biométrica de ...

128Gráco 23 - Relação de variação do IMC com variação das imagens em um ano

Fonte: Produção do próprio autor

Tabela 27 - Resultados obtidos com acréscimo de 17 imagensParâmetros Curvelet Tempo FRR FAR ROC area

5 escalas, 8 ângulos 30,45 0,110 0,002 0,997Fonte: Produção do próprio autor

5.11 ANÁLISE DOS MÉTODOS DE SUAVIZAÇÃO DAS IMAGENS

Na fase de pré-processamento das imagens foram utilizados três diferentes algoritmos para

suavização e melhoria do contraste. Como alguns autores de trabalhos comentados na revisão

bibliográca desta tese relataram que os métodos de suavização podem acabar gerando ruídos,

prejudicando assim a identicação biométrica, foram realizados testes com todos os métodos

utilizados através da classicação por redes neurais articiais, pois este foi o método que gerou

os melhores resultados neste trabalho. Para a realização deste teste, foram utilizadas carac-

terísticas das imagens extraídas com a transformada de Curvelet, e os parâmetros utilizados

foram de 5 escalas e 8 ângulos. A Tabela 28 apresenta os resultados obtidos. Nota-se que o

método de suavização CLAHE escolhido foi o que realmente apresentou os melhores resultados

de classicação.

Page 131: proposicão de um algoritmo para identificação biométrica de ...

129Tabela 28 - Testes dos algoritmos de suavização de imagens

Sem

equalização

EGH MAIC CLAHE

FRR FAR ROC FRR FAR ROC FRR FAR ROC FRR FAR ROC

Naive Bayes 0,150 0,003 0,995 0,160 0,003 0,991 0,288 0,006 0,987 0,135 0,003 0,995

K-NN 0,150 0,003 0,928 0,150 0,003 0,924 0,298 0,006 0,848 0,140 0,003 0,924

C4.5/J48 0,429 0,008 0,803 0,435 0,009 0,802 0,615 0,012 0,726 0,413 0,008 0,800

Random

Forest0,135 0,003 0,996 0,150 0,003 0,995 0,287 0,006 0,986 0,127 0,002 0,996

RNA MLP 0,077 0,001 1,000 0,115 0,002 0,998 0,308 0,005 0,992 0,038 0,001 0,999

Fonte: Produção do próprio autor

5.12 ANÁLISE COMPARATIVA COM RESULTADOS DE OUTROS AUTORES

Foram levantados os trabalhos comentados na revisão bibliográca que apresentaram seus

resultados de taxa FRR e FAR, pois estes são parâmetros comuns a trabalhos relacionados

à biometria. A comparação dos resultados desta tese com diversos outros autores pode ser

visualizada na Tabela 29. As técnicas utilizadas por cada autor foram explicadas na revisão

bibliográca do trabalho e os parâmetros utilizados na comparação (taxas FRR e FAR) são os

mesmos apresentados por fabricantes de equipamentos comerciais como forma de armar que o

sistema tem qualidade. Pode-se perceber que os resultados obtidos nesta tese são totalmente

satisfatórios por se tratar de uma técnica original, superando os índices já conseguidos por

outros autores.

Tabela 29 - Análise comparativa dos resultados de outros autoresAutores FRR FAR

Melhor resultado com RNA 0,038 0,001Melhor resultado com Random Forest 0,127 0,002Melhor resultado com Naive Bayes 0,150 0,003

Melhor resultado com K-NN 0,150 0,003Melhor resultado com C4.5/J48 0,429 0,008

(LIN; FAN, 2004) 2,3 2,3(FAN; LIN, 2004) 1,5 3,5

(TANAKA; KUBO, 2004) 4 5,091(KUMAR; PRATHYUSHA, 2009) 1,14 1,14

(KUMAR; HANMANDLU; GUPTA, 2009) 0,1 1,5(KUMAR et al., 2009) 1 0,1(HEGDE et al., 2009) 1,27 2,1

(YUAN, 2010) 0,67 1(FISCHER; RYBNICEK; TJOA, 2012) 0,3 4,3

Fonte: Produção do próprio autor

O Gráco 19 abaixo apresenta os resultados da Tabela 29 em ordem cronológica e pode-se

vericar que os resultados obtidos com o algoritmo proposto nesta tese são melhores que os já

Page 132: proposicão de um algoritmo para identificação biométrica de ...

130

apresentados por outros autores. Apesar da alta quantidade de trabalhos relatados na revisão

bibliográca, a grande maioria não apresenta seus resultados numéricos para que pudesse ser

feita uma comparação, apenas comentam que obtiveram bons resultados.

Figura 19 - Comparação dos resultados obtidos

Fonte: Produção do próprio autor

5.13 ANÁLISE COMPARATIVA COM OUTRAS TÉCNICAS BIOMÉTRICAS

O algoritmo proposto nesta tese para identicação biométrica baseado no reconhecimento

dos padrões de veias das mãos apresenta bons resultados quando comparado aos resulta-

dos de autores do mesmo tema. Para comparar se esta metodologia é válida, nesta seção

foi realizada a comparação dos resultados obtidos com outras técnicas biométricas utilizadas

comercialmente. Como os algoritmos destas técnicas são normalmente ocultados e os procedi-

mentos para se chegar a tais resultados são diferentes dos utilizados nesta tese, a comparação

é realizada utilizando os mesmos parâmetros comuns (métricas), que neste caso são as taxas

FAR e FRR obtidas. A Tabela 30 apresenta os resultados dese trabalho e os resultados das

técnicas biométricas de outros autores que utilizaram o reconhecimento do padrão de textura

da íris, da impressão digital, de reconhecimento facial e da geometria das mãos. Não foram

encontrados trabalhos sobre reconhecimento de assinatura, de retina, de DNA e de reconhe-

cimento da voz com as taxas FAR e FRR para que pudesse ser realizada a comparação dos

resultados. Pode-se vericar através dos resultados apresentados na Tabela 30 que os resul-

Page 133: proposicão de um algoritmo para identificação biométrica de ...

131

tados obtidos nesta tese são compatíveis com os resultados de outras técnicas biométricas,

superando todos os trabalhos analisados nos critérios comparados.

Tabela 30 - Análise comparativa dos resultados de outros sistemas biométricosPadrão

Biométrico

Autores FRR FAR

Padrão de veias

das mãos

Melhor resultado com RNA 0,038 0,001Melhor resultado com Random Forest 0,127 0,002Melhor resultado com Naive Bayes 0,150 0,003

Melhor resultado com K-NN 0,150 0,003Melhor resultado com C4.5/J48 0,429 0,008

Reconhecimento

de íris

(SINGH, 2014) 2,5 1,67(ABHISHEK; SUMA, 2014) 8,6 6,5

(DARABKH; AL-ZUBI; JALUDI, 2014) 0,322 0,039(KUMAR; ASATI, 2014) 0,12 3,93(DARABKH et al., 2014) 0,29 0,0411

Reconhecimento

de impressão

digital

(BABATUNDE et al., 2014) 0,49 0,59(ABHISHEK; SUMA, 2014) 6,7 8,0

(RAJAN; SUDHA; KUMAR, 2013) 0,7571 0,0139(ESAN; NGWIRA; OSUNMAKINDE, 2013) 0,98 0,001

(LI; KOT, 2013) 0,4 0,1

Reconhecimento

de face

(SPREEUWERS et al., 2014) 4 0,1(WIJAYA; UCHIMURA; KOUTAKI, 2011) 0,08 0,1

(AZIZ et al., 2009) 0,044 0,023(CHONG; KIONG; LETCHUMANAN, 2009) 0,068 0,088

(PARK et al., 2006) 1,5 0,01

Reconhecimento

da geometria da

mão

(WANG; CHEN; SHIH, 2009) 5,8974 0,004(SANCHES; ANTUNES; CORREIA, 2007) 0,80 0,31

(MOHAMMED et al., 2009) 5,7692 0,0035(KUMAR et al., 2003) 8,34 5,29(ÖDEN et al., 2001) 1 1

Fonte: Produção do próprio autor

Page 134: proposicão de um algoritmo para identificação biométrica de ...

132

6 CONCLUSÕES

Para a aquisição das imagens, o protótipo composto por câmera de alta denição modicada

para que pudessem ser capturadas imagens somente no espectro de luz infravermelho próximo

se mostrou ecaz mas foram necessárias modicações (instalação de pinos) pois os usuários

tiveram diculdades no correto posicionamento das mãos. O sistema de iluminação baseado

em quatro conjuntos lineares compostos por 10 LEDs infravermelhos cada, sendo 5 LEDs com

pico de emissão em 850nm e 5 LEDs com pico de emissão em 940nm, dispostos de forma

alternada na parte superior do protótipo incindindo luz a 45 graus em relação a este topo,

diretamente sobre a mão posicionada sobre a base do protótipo em todas as direções, e ainda

um conjunto de LEDs na mesma posição da câmera de forma a iluminar a parte dorsal superior

da mão, gerou imagens uniformes, sem pontos de luz com alto ou baixo contraste. Por se

tratar de um sistema original, os resultados obtidos foram satisfatórios, geraram imagens com

bom contraste em relação à distinção entre a mão e as veias.

Foram adquiridas 520 imagens de 52 pessoas, sendo 49 homens e 3 mulheres, com média

etária de 26 anos, dez imagens de cada pessoa, e as imagens são da parte dorsal da mão

direita. Na fase de classicação nota-se que esta quantidade foi suciente para a avaliação do

sistema proposto, pelos resultados obtidos.

Após a captura das imagens, a normalização do banco de dados foi realizado extraindo-se

a região de interesse ROI como sendo um quadrado de 900x900 pixels, composto pela maior

porção possível da parte dorsal da mão sem a composição de bordas ou de juntas dos dedos.

Esta resolução foi escolhida para que a imagem tivesse uma boa qualidade, mas propõe-

se como trabalho futuro a diminuição da resolução como forma de obter imagens menores,

resultando assim em maior velocidade de processamento do sistema. A seguir, foi aplicado

o método de equalização adaptativa local do histograma, pois este apresentou os melhores

resultados quando comparado ao método de histograma global e de mapeamento e ajuste de

intensidade de cinza, e este método tem por nalidade o melhoramento do contraste na fase de

pré-processamento da imagem, além de se evitar que variações de iluminação provenientes do

próprio ambiente ou de fontes externas no momento da aquisição de imagens possam interferir

no processo de classicação.

Posteriormente, as imagens tiveram suas características extraídas pela transformada de

Curvelet na função wrapping e as matrizes geradas foram concatenadas em uma matriz

linha para formação de um vetor digital de características individuais das pessoas. Estes

vetores foram gerados utilizando-se o algoritmo Local Binary Pattern (LBP). A transformada

de Curvelet na função wrapping permite o ajuste de parâmetros e foram testadas as variações

de escalas de 1 até 5, e variações de ângulo entre 8 ou 16. O parâmetro de escala igual a 5 e de

Page 135: proposicão de um algoritmo para identificação biométrica de ...

133

ângulo igual a 16 gerou os melhores resultados nas classicações dos dados. Na digitalização

dos dados, foi aplicado o algoritmo LBP e os parâmetros utilizados foram P=8 e R=2, o que

representa o uso de 8 pixels de vizinhança analisados em um raio de 2 pixels.

Os arquivos gerados pelo software Matlab® tem extensão do tipo .mat. Para a análise dos

dados na plataforma WEKA, os arquivos foram convertidos para a extensão .arrf . Para isto,

todos os arquivos foram abertos no próprio software Matlab®, copiados e colados no software

Excel. A partir deste, o arquivo foi salvo com a extensão .csv, no entanto o arquivo é salvo

com ponto e vírgula entre cada atributo e este formato não é reconhecido pela plataforma

WEKA. Para se resolver este problema, o arquivo .csv foi aberto pelo bloco de notas do

sistema operacional Windows® para se realizar a troca de ponto e vírgula por vírgula, e salvo

novamente com a extensão .csv. Na plataforma WEKA, estes arquivos foram abertos e salvos

com a extensão .arrf para início dos testes.

As análises de identicação foram realizadas com o uso de cinco diferentes classicadores,

a seguir: Classicador Naive Bayes baseado em predição probabilística, Classicador IBK

baseado em aprendizagem por regressão linear, conhecido popularmente como técnica de lazy

learning , dois algoritmos baseados em árvores de decisão sendo o primeiro C4.5 (na plataforma

WEKA o mesmo recebe o nome de algoritmo J48) e o segundo algoritmo conhecido como

Random Forest,e um classicador baseado em redes neurais articiais Multilayer perceptron.

Os classicadores foram testados utilizando o método de validação cruzada, e as informações

foram separadas por 10 folds sendo que 10% dos dados foram utilizados para treino e 90%

dos dados foram utilizados para teste. Os testes realizados em todos os bancos de dados

construídos mostram que o algoritmo Random Forest apresenta os melhores resultados quando

estes são analisados em sua totalidade, ou seja, 5632 atributos para cada imagem. A rede

neural articial foi aplicada mas o tempo de processamento para treinamento da rede superou

22 horas, tornando a técnica inviável para aplicação em sistemas comerciais.

Ainda foram utilizados dois algoritmos para seleção de características, sendo o primeiro

SUAE, baseado na correlação da função de avaliação heurística e o segundo CFS na seleção

de atributos pelo conceito da entropia dos dados, como forma de aumentar a precisão dos

classicadores. O primeiro algoritmo coloca os atributos em ordem de variância, e os dados a

serem descartados foram removidos manualmente. O algoritmo CFS já faz a análise permitindo

que o resultado seja salvo somente com os atributos que tem boa variância entre os usuários.

Os testes realizados mostram que o algoritmo CFS é o mais eciente para este uso, e os

atributos foram reduzidos de forma a permitir a aplicação da rede neural articial, indicando

que este é o melhor algoritmo a ser usado na classicação dos dados.

Como foram capturadas 10 imagens de cada usuário, foram realizados testes com bancos

de dados variando de uma até 10 imagens para cada usuário no intuito de vericar quantas

Page 136: proposicão de um algoritmo para identificação biométrica de ...

134

imagens (mínimo possível para tornar o sistema mais rápido) são necessárias para uma boa

classicação. Os testes mostraram que a partir de cinco imagens analisadas por usuário, os

resultados são bem próximos, e a partir desta quantidade pode-se considerar desnecessária a

captura de mais imagens.

Levando-se em consideração todos os tempos envolvidos entre extração de região de inte-

resse, equalização do histograma, extração das características por transformada de Curvelet,

binarização das subimagens e concatenação das matrizes em vetores pelo uso do algoritmo

LBP, e ainda aplicação dos algoritmos de seleção e classicação dos dados por Redes Neurais

Articiais MLP, o processo leva cerca de 2,37s para obtenção do melhor resultado (FRR igual

a 0,038, FAR igual a 0,001 e ROC igual a 0,999). Para a análise efetuada com o algoritmo

Random Forest que apresentou o segundo melhor resultado (FRR igual a 0,127, FAR igual

a 0,002 e ROC igual a 0,996) este tempo total é de 31ms. Levando-se em consideração os

tempos de análise, recomenda-se o uso da Rede Neural Articial MLP em instalações que ne-

cessitem de um alto grau de segurança, pois os resultados foram cerca de três vezes melhores

quando comparados ao uso do algoritmo Random Forest, no entanto, se a instalação tiver

baixo grau de segurança como por exemplo o controle de acesso de usuários em uma acade-

mia, este último algoritmo também pode ser utilizado pois sua velocidade de identicação é

76 vezes mais rápido que o algoritmo anterior.

Foram analisadas 17 imagens capturadas um ano após a construção do banco de imagens

original e realizadas análises de comparação entre estas como forma de vericar se existe

permanência dos dados. A hipótese levantada é de que a variação de peso dos usuários

pudesse prejudicar a qualidade do classicador, e os resultados de comparação com o uso

dos algoritmos SUAE e CFS mostraram que a variação nas imagens no período de um ano

não ultrapassa 7%, não afetando assim a sensibilidade do sistema adotado, e que existe uma

tendência de variação nas imagens de acordo com a variação de massa corpórea de cada

indivíduo avaliado.

Todos os resultados apresentados foram baseados nas métricas utilizadas por outros autores

como a taxa de falsos positivos FAR e taxa de falsos negativos FRR para que pudessem ser

realizadas comparações com resultados já obtidos em métodos similares, e as taxas apresen-

tadas nesta tese são melhores do que as já apresentadas em outros trabalhos, e em termos

de área ROC como parâmetro de qualidade do classicador utilizado, o valor igual a 0,999

conseguido pelo uso da rede neural articial representa o melhor resultado possível (100% de

precisão, e 0% de falsos negativos e positivos apresentaria ROC igual a 1), mostrando que o

sistema tem alta sensibilidade, mesmo com o uso de somente cinco imagens por usuário.

Page 137: proposicão de um algoritmo para identificação biométrica de ...

135

APÊNDICE A Trabalho publicado

Page 138: proposicão de um algoritmo para identificação biométrica de ...

136

Page 139: proposicão de um algoritmo para identificação biométrica de ...

137

Page 140: proposicão de um algoritmo para identificação biométrica de ...

138

Page 141: proposicão de um algoritmo para identificação biométrica de ...

139

Page 142: proposicão de um algoritmo para identificação biométrica de ...

140

Page 143: proposicão de um algoritmo para identificação biométrica de ...

141

REFERÊNCIAS

ABHISHEK; SUMA, 2014 ABHISHEK, A.; SUMA, H. Comparison of biosignal electrocardio-graphy (ecg), ngerprint and iris as biometrics authentication tool. Biomedical Enginee-ring and Sciences (IECBES), 2014 IEEE Conference on. p. 303308, Dec 2014. DOI:10.1109/IECBES.2014.7047508.

ACHERMANN; BUNKE, 1996 ACHERMANN, B.; BUNKE, H. Combination of face clas-siers for person identication. Pattern Recognition, 1996., Proceedings of the13th International Conference on. v. 3, p. 416420 vol.3, Aug 1996. DOI:10.1109/ICPR.1996.546981.

AENDENROOMER; HUANG, 2007 AENDENROOMER, A. J. R.; HUANG, S. Dynamic ash-memory allocation for smartcards: how to cope with limited space (in a short life). IndustrialInformatics, 2007 5th IEEE International Conference on. v. 2, p. 835840, June 2007.DOI: 10.1109/INDIN.2007.4384882.

AHONEN et al., 2004 AHONEN, T. et al. Face recognition based on the appearance of localregions. Pattern Recognition, 2004. ICPR 2004. Proceedings of the 17th Internati-onal Conference on. v. 3, p. 153156 Vol.3, Aug 2004. DOI: 10.1109/ICPR.2004.1334491.

ALEJO; RODRIGUEZ; KEMPER, 2015 ALEJO, W.; RODRIGUEZ, D.; KEMPER, G. A bio-metric method based on the matching of dilated and skeletonized ir images of the veins mapof the dorsum of the hand. Latin America Transactions, IEEE (Revista IEEE AmericaLatina), v. 13, n. 5, p. 14381445, May 2015. DOI: 10.1109/TLA.2015.7112000.

ALSHU'EILI; GUPTA; MUKHOPADHYAY, 2011 ALSHU'EILI, H.; GUPTA, G.; MUKHO-PADHYAY, S. Voice recognition based wireless home automation system. Mechatro-nics (ICOM), 2011 4th International Conference On. p. 16, May 2011. DOI:10.1109/ICOM.2011.5937116.

ALTMAN, 1992 ALTMAN, N. S. An introduction to kernel and nearest-neighbor nonpara-metric regression. The American Statistician, v. 46, n. 3, p. 175185, 1992. DOI:10.1080/00031305.1992.10475879.

ALZUBI; ISLAM; ABBOD, 2011 ALZUBI, S.; ISLAM, N.; ABBOD, M. Multiresolution analy-sis using wavelet, ridgelet, and curvelet transforms for medical image segmentation. Journalof Biomedical Imaging, New York, NY, United States, Hindawi Publishing Corp., v. 2011,p. 4:14:18, jan. 2011. 18 p. DOI: 10.1155/2011/136034.

AZIZ et al., 2009 AZIZ, K. et al. Face detection using radial basis function neural networkswith variance spread value. Soft Computing and Pattern Recognition, 2009. SOCPAR'09. International Conference of. p. 399403, Dec 2009. DOI: 10.1109/SoCPaR.2009.84.

Page 144: proposicão de um algoritmo para identificação biométrica de ...

142

BABATUNDE et al., 2014 BABATUNDE, I. et al. Experimental study of thumbprint-basedauthentication framework for atm machines. Science and Information Conference (SAI),2014. p. 505514, Aug 2014. DOI: 10.1109/SAI.2014.6918235.

BALTI; SAYADI; FNAIECH, 2012 BALTI, A.; SAYADI, M.; FNAIECH, F. Improved featuresfor ngerprint identication. Electrotechnical Conference (MELECON), 2012 16thIEEE Mediterranean. p. 878883, March 2012. DOI: 10.1109/MELCON.2012.6196569.

BEBIS; DEACONU; GEORGIOPOULOS, 1999 BEBIS, G.; DEACONU, T.; GEORGIOPOU-LOS, M. Fingerprint identication using delaunay triangulation. Information Intelligenceand Systems, 1999. Proceedings. 1999 International Conference on. p. 452459,1999. DOI: 10.1109/ICIIS.1999.810315.

BEYGELZIMER; KAKADE; LANGFORD, 2006 BEYGELZIMER, A.; KAKADE, S.; LANG-FORD, J. Cover trees for nearest neighbor. Proceedings of the 23rd International Con-ference on Machine Learning. p. 97104, 2006. DOI: 10.1145/1143844.1143857.

BIN et al., 2009 BIN, Q. et al. The anti-spoong study of vein identication system. Com-putational Intelligence and Security, 2009. CIS '09. International Conference on.v. 2, p. 357360, Dec 2009. DOI: 10.1109/CIS.2009.144.

BÓ, 1995 BÓ, J. R. M. e. Automação Residencial - Conceitos e Aplicações. 2ªedição.ed. [S.l.]: Educere, 1995. 200 p.

BOLZANI, 2004 BOLZANI, C. A. M. Residências Inteligentes: Domótica, Redes Do-mésticas e Automação Residencial. 1ªedição. ed. [S.l.]: Livraria da Física, 2004. 332 p.

BOSPHORUS, 2010 BOSPHORUS Hand Database. Disponível em : <BOSPHORUS HandDatabase>. Acesso em: 26 jun. 2014.

BREIMAN, 2001 BREIMAN, L. Random forests. Machine Learning, Kluwer Academic Pu-blishers, v. 45, n. 1, p. 532, 2001. DOI: 10.1023/A:1010933404324.

BROMME, 2003 BROMME, A. A classication of biometric signatures. Multimedia andExpo, 2003. ICME '03. Proceedings. 2003 International Conference on. v. 3, p.III1720 vol.3, July 2003. DOI: 10.1109/ICME.2003.1221237.

BUILDINGS, 2014 Buildings - Citicorp Center. Disponível em :<http://www.buildings.com.br/edicio/1806-citicorp-center>. Acesso em: 13 ago. 2014.

CANDÈS, 1999 CANDÈS, D. D. Curvelets: a surprisingly eective nonadaptive representationof objects with edges. Curve and Surface Fitting: Saint-Malo, Nashville, VanderbiltUniversity Press, Jan 1999.

Page 145: proposicão de um algoritmo para identificação biométrica de ...

143

CAPPELLI et al., 2006 CAPPELLI, R. et al. Performance evaluation of ngerprint vericationsystems. Pattern Analysis and Machine Intelligence, IEEE Transactions on, v. 28,n. 1, p. 318, Jan 2006. DOI: 10.1109/TPAMI.2006.20.

CARDOSO; AO, 2008 CARDOSO, R.; AO, A. Articial neural network application to a buil-ding hybrid illumination system. Industrial Electronics, 2008. ISIE 2008. IEEE Inter-national Symposium on. p. 866871, June 2008. DOI: 10.1109/ISIE.2008.4677011.

CARDOSO, 2008 CARDOSO, R. R. Análise do desempenho energético de sistemasbaseados em iluminação híbrida integrada na automação predial em edifícioscomerciais utilizando a neurocomputação. 2008. v. 1. Tese (Tese de Doutorado) Universidade de Sao Paulo, Programa de Pós Graduacao em Engenharia Eletrica - POLI,2008.

CARDOSO; BRANDÃO JR, 2007 CARDOSO, R. R.; BRANDÃO JR, A. F. Aplicação de fso -free space optics na automação predial. RTI - Redes, Telecon e Informática, São Paulo,Aranda, v. 7, n. 81, p. 7281, jun. 2007. 10 p.

CASIA, 2010 CASIA Palmprint Image Database. Disponível em :<http://www.http://biometrics.idealtest.org/dbDetailForUser.do?id=5>. Acesso em:19 jun. 2014.

CHONG; KIONG; LETCHUMANAN, 2009 CHONG, L. G.; KIONG, L. C.; LETCHUMANAN,C. Two-factor face authentication: topographic independent component analysis (tica) andmultispace random projection (mrp). Soft Computing and Pattern Recognition, 2009.SOCPAR '09. International Conference of. p. 756761, Dec 2009. DOI: 10.1109/SoC-PaR.2009.153.

CRISAN; TARNOVAN; CRISAN, 2007 CRISAN, S.; TARNOVAN, l.; CRISAN, T. A low costvein detection system using near infrared radiation. Sensors Applications Symposium,2007. SAS '07. IEEE. p. 16, Feb 2007. DOI: 10.1109/SAS.2007.374359.

CROSS; SMITH, 1995 CROSS, J.; SMITH, C. Thermographic imaging of the subcutane-ous vascular network of the back of the hand for biometric identication. Security Te-chnology, 1995. Proceedings. Institute of Electrical and Electronics Engineers29th Annual 1995 International Carnahan Conference on. p. 2035, Oct 1995. DOI:10.1109/CCST.1995.524729.

CUI; XUE, 2009 CUI, B.; XUE, T. Design and realization of an intelligent access controlsystem based on voice recognition. Computing, Communication, Control, and Mana-gement, 2009. CCCM 2009. ISECS International Colloquium on. v. 1, p. 229232,Aug 2009. DOI: 10.1109/CCCM.2009.5270462.

CURVELET, 2007 Curvelet Transform Software. Disponível em: <http://www.curvelet.org>.Acesso em: 05 abr. 2014.

Page 146: proposicão de um algoritmo para identificação biométrica de ...

144

DARABKH; AL-ZUBI; JALUDI, 2014 DARABKH, K.; AL-ZUBI, R.; JALUDI, M. New recog-nition methods for human iris patterns. Information and Communication Technology,Electronics and Microelectronics (MIPRO), 2014 37th International Conventionon. p. 11871191, May 2014. DOI: 10.1109/MIPRO.2014.6859748.

DARABKH et al., 2014 DARABKH, K. et al. An ecient method for feature extraction ofhuman iris patterns. Multi-Conference on Systems, Signals Devices (SSD), 201411th International. p. 15, Feb 2014. DOI: 10.1109/SSD.2014.6808803.

DAUGMAN, 2001 DAUGMAN, J. High condence recognition of persons by iris patterns.Security Technology, 2001 IEEE 35th International Carnahan Conference on. p.254263, Oct 2001. DOI: 10.1109/.2001.962841.

DAUGMAN, 2002 DAUGMAN, J. How iris recognition works. Image Processing. 2002.Proceedings. 2002 International Conference on. v. 1, p. I33I36 vol.1, 2002. DOI:10.1109/ICIP.2002.1037952.

DAUGMAN, 2007 DAUGMAN, J. New methods in iris recognition. Systems, Man, andCybernetics, Part B: Cybernetics, IEEE Transactions on, v. 37, n. 5, p. 11671175,Oct 2007. DOI: 10.1109/TSMCB.2007.903540.

DAVIS; GOADRICH, 2006 DAVIS, J.; GOADRICH, M. The relationship between precision-recall and roc curves. Proceedings of the 23rd International Conference on MachineLearning. p. 233240, 2006. DOI: 10.1145/1143844.1143874.

DETTORI; SEMLER, 2007 DETTORI, L.; SEMLER, L. A comparison of wavelet, rid-gelet, and curvelet-based texture classication algorithms in computed tomography.Computers in Biology and Medicine, v. 37, n. 4, p. 486 498, 2007. DOI:http://dx.doi.org/10.1016/j.compbiomed.2006.08.002. Wavelet-based Algorithms for Medi-cal Problems.

DIAS, 2009 DIAS, W. S. B. Luiz Antonio dos. Biometria experimental. 1ªedição. ed. [S.l.]:UFV, 2009. 408 p.

TECHMUNDO, 2012 Elaine Martins - Porque uma lâmpada de LED é mais econômica.Disponível em: <http://www.tecmundo.com.br/led/34046-por-que-uma-lampada-de-led-e-mais-economica-.htm>. Acesso em: 13 ago. 2014.

ELTOUKHY; FAYE; SAMIR, 2010 ELTOUKHY, M. M.; FAYE, I.; SAMIR, B. B. A com-parison of wavelet and curvelet for breast cancer diagnosis in digital mammogram.Computers in Biology and Medicine ", v. 40, n. 4, p. 384 391, 2010. DOI:http://dx.doi.org/10.1016/j.compbiomed.2010.02.002.

Page 147: proposicão de um algoritmo para identificação biométrica de ...

145

ESAN; NGWIRA; OSUNMAKINDE, 2013 ESAN, O.; NGWIRA, S.; OSUNMAKINDE, I. Bi-modal biometrics for nancial infrastructure security. Information Security for SouthAfrica, 2013. p. 18, Aug 2013. DOI: 10.1109/ISSA.2013.6641045.

FAN; LIN, 2004 FAN, K.-C.; LIN, C.-L. The use of thermal images of palm-dorsa vein-patterns for biometric verication. Pattern Recognition, 2004. ICPR 2004. Procee-dings of the 17th International Conference on. v. 4, p. 450453 Vol.4, Aug 2004. DOI:10.1109/ICPR.2004.1333799.

NETWORKWORLD, 2012 FF Sta Attorney Jennifer Lynch. Disponível em:<http://canaltech.com.br/noticia/seguranca>. Acesso em: 10 ago. 2014.

FISCHER; RYBNICEK; TJOA, 2012 FISCHER, M.; RYBNICEK, M.; TJOA, S. A novel palmvein recognition approach based on enhanced local gabor binary patterns histogram sequence.Systems, Signals and Image Processing (IWSSIP), 2012 19th International Con-ference on. p. 429432, April 2012.

FORUM BIOMETRIA, 2014 Forum Biometria - Fraudes no sistema biométrico das auto esco-las. Disponível em : <http://www.forumbiometria.com/noticias/35-geral/195-trio-e-preso-suspeito-de-fraude-em-autoescola-na-grande-sao-paulo.html>. Acesso em: 08 ago. 2014.

FRIEDMAN; BENTLEY; FINKEL, 1977 FRIEDMAN, J. H.; BENTLEY, J. L.; FINKEL, R. A.An algorithm for nding best matches in logarithmic expected time. ACM Trans. Math.Softw., New York, NY, USA, ACM, v. 3, n. 3, p. 209226, set. 1977. 18 p. DOI:10.1145/355744.355745.

GONZALEZ; WOODS, 2001 GONZALEZ, R. C.; WOODS, R. E. Digital Image Proces-sing. 2nd. ed. Boston, MA, USA: Addison-Wesley Longman Publishing Co., Inc., 2001.

GU; CERCONE, 2006 GU, Z.; CERCONE, N. Naive bayes modeling with proper smoothingfor information extraction. Fuzzy Systems, 2006 IEEE International Conference on.p. 393400, 2006. DOI: 10.1109/FUZZY.2006.1681742.

GUIA DO CFTV, 2012 GuiadoCFTV - Portal de Informações Técnicas Sobre Sis-temas de CFTV, Segurança Eletrônica, Redes e Tecnologias.. Disponível em:<http://www.guiadocftv.com.br/>. Acesso em: 13 ago. 2014.

GUO; HALL, 1992 GUO, Z.; HALL, R. W. Fast fully parallel thining algorithms. CVGIP-Comput. Vision Graphics Image Process: Image Understanding, 55. p. 317328,1992.

HALL, 1999 HALL, M. A. Correlation-based Feature Selection for Machine Learning.1999. Tese (Doutorado).

Page 148: proposicão de um algoritmo para identificação biométrica de ...

146

HAN, 2005 HAN, J. Data Mining: Concepts and Techniques. San Francisco, CA, USA:Morgan Kaufmann Publishers Inc., 2005.

HAWKES; CLAYDEN, 1993 HAWKES, P.; CLAYDEN, D. Veinchek research for automaticidentication of people. p. 5256, Sep 1993.

HAYKIN, 2001 HAYKIN, S. Redes Neurais - 2ed. [S.l.]: BOOKMAN COMPANHIA ED,2001.

HEGDE et al., 2009 HEGDE, C. et al. Authentication of damaged hand vein patterns by mo-dularization. TENCON 2009 - 2009 IEEE Region 10 Conference. p. 16, Jan 2009.DOI: 10.1109/TENCON.2009.5395822.

HONG et al., 2009 HONG, J. et al. Vein pattern extraction based on the position-gray-prolecurve. Image and Signal Processing, 2009. CISP '09. 2nd International Congresson. p. 14, Oct 2009. DOI: 10.1109/CISP.2009.5302650.

HUANG et al., 2003 HUANG, L.-L. et al. Gradient feature extraction for classication-based face detection. Pattern Recognition, v. 36, n. 11, p. 2501 2511, 2003. DOI:http://dx.doi.org/10.1016/S0031-3203(03)00130-4.

PHILIPS, 2014 HUE Lamps Philips. Disponível em : <http://www.usa.philips.com/e/hue/hue.html>. Acessoem: 29 jun. 2014.

IM et al., 2000 IM, S.-K. et al. Improved vein pattern extracting algorithm and its imple-mentation. Consumer Electronics, 2000. ICCE. 2000 Digest of Technical Papers.International Conference on. p. 23, June 2000. DOI: 10.1109/ICCE.2000.854470.

INSANKEOVILAY; PRASARN; CHOOMCHUAY, 2011 INSANKEOVILAY, S.; PRASARN,P.; CHOOMCHUAY, S. Fingerprint matching with cross correlation and minutiae scores.Biomedical Engineering International Conference (BMEiCON), 2011. p. 174177,Jan 2011. DOI: 10.1109/BMEiCon.2012.6172045.

IBI, 1987 Intelligent Building Denitions. Disponível em:<http://www.ibuilding.gr/denitions.html>. Acesso em: 27 mar. 2014.

JAIN et al., 2004 JAIN, A. et al. Biometrics: a grand challenge. Pattern Recognition,2004. ICPR 2004. Proceedings of the 17th International Conference on. v. 2,p. 935942 Vol.2, Aug 2004. DOI: 10.1109/ICPR.2004.1334413.

JANES, 2009 JANES, R. Estudo sobre sistemas de segurança em instalações elétricasautomatizadas. 2009. 121 p. Dissertação (Dissertação de Mestrado) Universidade de SãoPaulo - Escola Politécnica, São Paulo, 2009.

Page 149: proposicão de um algoritmo para identificação biométrica de ...

147

JANES; BRANDÃO JR, 2014 JANES, R.; BRANDÃO JR, A. F. A low cost system for dorsalhand vein patterns recognition using curvelets. 1st International Conference on SystemsInformatics, Modelling and Simulation, SIMS2013 (SIMS2014). abr. 2014.

JANES; BRANDÃO JR; DIAS, 2010 JANES, R.; BRANDÃO JR, A. F.; DIAS, E. M. A studyon the available biometric technologies used in order to control security in physical access.WSEAS Trans. Sys. Ctrl., Stevens Point, Wisconsin, USA, World Scientic and Enginee-ring Academy and Society (WSEAS), v. 5, n. 6, p. 393402, jun. 2010. 10 p.

JANES et al., 2008 JANES, R. et al. Selecting a biometric technology for application in accesscontrol. 12th WSEAS International Conference on Systems. p. 161168, 2008.

JIAO et al., 2007 JIAO, C. et al. Gab: graph augmented bayes classier. Fuzzy Systemsand Knowledge Discovery, 2007. FSKD 2007. Fourth International Conferenceon. v. 1, p. 608612, Aug 2007. DOI: 10.1109/FSKD.2007.340.

JOARDAR; CHATTERJEE; RAKSHIT, 2015 JOARDAR, S.; CHATTERJEE, A.; RAKSHIT,A. A real-time palm dorsa subcutaneous vein pattern recognition system using collaborativerepresentation-based classication. Instrumentation and Measurement, IEEE Transac-tions on, v. 64, n. 4, p. 959966, April 2015. DOI: 10.1109/TIM.2014.2374713.

JÚNIOR, 2013 JÚNIOR, A. B. C. Manual de prevenção e combate a incêndios.15ªedição. ed. São Paulo: SENAC, 2013. 247 p.

KABACINSKI; KOWALSKI, 2011 KABACINSKI, R.; KOWALSKI, M. Vein pattern databaseand benchmark results. Electronics Letters, v. 47, n. 20, p. 11271128, September 2011.DOI: 10.1049/el.2011.1441.

KOVACS, 2002 KOVACS, Z. Redes Neurais Articiais. [S.l.]: LIVRARIA DA FISICA, 2002.

KRAUTHGAMER; LEE, 2004 KRAUTHGAMER, R.; LEE, J. R. Navigating nets: simple al-gorithms for proximity search. Proceedings of the Fifteenth Annual ACM-SIAM Sym-posium on Discrete Algorithms. p. 798807, 2004.

KUMAR; ASATI, 2014 KUMAR, A.; ASATI, A. Iris based biometric identication system.Audio, Language and Image Processing (ICALIP), 2014 International Conferenceon. p. 260265, July 2014. DOI: 10.1109/ICALIP.2014.7009797.

KUMAR; HANMANDLU; GUPTA, 2009 KUMAR, A.; HANMANDLU, M.; GUPTA, H. On-line biometric authentication using hand vein patterns. Computational Intelligence forSecurity and Defense Applications, 2009. CISDA 2009. IEEE Symposium on.p. 17, July 2009. DOI: 10.1109/CISDA.2009.5356554.

Page 150: proposicão de um algoritmo para identificação biométrica de ...

148

KUMAR et al., 2009 KUMAR, A. et al. Biometric authentication based on infrared thermalhand vein patterns. Digital Image Computing: Techniques and Applications, 2009.DICTA '09. p. 331338, Dec 2009. DOI: 10.1109/DICTA.2009.63.

KUMAR; PRATHYUSHA, 2009 KUMAR, A.; PRATHYUSHA, K. Personal authenticationusing hand vein triangulation and knuckle shape. Image Processing, IEEE Transacti-ons on, v. 18, n. 9, p. 21272136, Sept 2009. DOI: 10.1109/TIP.2009.2023153.

KUMAR et al., 2003 KUMAR, A. et al. Personal verication using palmprint and hand geome-try biometric. In: Audio- and Video-Based Biometric Person Authentication. Audio-and Video-Based Biometric Person Authentication. [S.l.]: Springer Berlin Heidelberg,2003. (Lecture Notes in Computer Science, v. 2688), p. 668678.

LI; KOT, 2013 LI, S.; KOT, A. Fingerprint combination for privacy protection. InformationForensics and Security, IEEE Transactions on, v. 8, n. 2, p. 350360, Feb 2013. DOI:10.1109/TIFS.2012.2234740.

LI; SAVVIDES, 2013 LI, Y.-H.; SAVVIDES, M. An automatic iris occlusion estimationmethod based on high-dimensional density estimation. Pattern Analysis and MachineIntelligence, IEEE Transactions on, v. 35, n. 4, p. 784796, April 2013. DOI:10.1109/TPAMI.2012.169.

LIN; FAN, 2004 LIN, C.-L.; FAN, K.-C. Biometric verication using thermal images of palm-dorsa vein patterns. Circuits and Systems for Video Technology, IEEE Transactionson, IEEE, v. 14, n. 2, p. 199213, Feb 2004. DOI: 10.1109/TCSVT.2003.821975.

LOGITECH, 2014 Logitech HD Webcam C525. Disponível em :<http://www.logitech.com/pt-br/product/7794?crid=34>. Acesso em: 29 jul. 2014.

MACGREGOR; WELFORD, 1991 MACGREGOR, P.; WELFORD, R. Veinchek: imaging forsecurity and personnel identication. p. 5256, 1991.

MACGREGOR; WELFORD, 1992 MACGREGOR, P.; WELFORD, R. Veinchek lends a handfor high security. p. 1923, 1992.

MALKI; SPAANENBURG, 2010 MALKI, S.; SPAANENBURG, L. Cbas: a cnn-based bi-ometrics authentication system. Cellular Nanoscale Networks and Their Applica-tions (CNNA), 2010 12th International Workshop on. p. 16, Feb 2010. DOI:10.1109/CNNA.2010.5430267.

MAMMASS, 2011 MAMMASS, H. Implementation of smart card personalization software.Multimedia Computing and Systems (ICMCS), 2011 International Conferenceon. p. 17, April 2011. DOI: 10.1109/ICMCS.2011.5945701.

Page 151: proposicão de um algoritmo para identificação biométrica de ...

149

MANDAL; WU; YUAN, 2009 MANDAL, T.; WU, Q. J.; YUAN, Y. Curvelet based face re-cognition via dimension reduction. Signal Processing, v. 89, n. 12, p. 9, 2009. DOI:10.1016/j.sigpro.2009.03.007. Special Section: Visual Information Analysis for Security.

MATYAS V.; RIHA, 2003 MATYAS V., J.; RIHA, Z. Toward reliable user authenticationthrough biometrics. Security Privacy, IEEE, v. 1, n. 3, p. 4549, May 2003. DOI:10.1109/MSECP.2003.1203221.

MEHNERT; CROSS; SMITH, 1992 MEHNERT, A. J.; CROSS, J.; SMITH, C. Veinchek lendsa hand for high security. Research Report, Australian Institute of Security and AppliedTechnology. p. 1923, 1992.

MILLER; MILLER, 2014 MILLER, R.; MILLER, M. R. Ar Condicionado e Refrigeração.2nd edition. ed. [S.l.]: LTC, 2014. 586 p.

MIRMOHAMADSADEGHI; DRYGAJLO, 2011 MIRMOHAMADSADEGHI, L.; DRYGAJLO,A. Palm vein recognition with local binary patterns and local derivative patterns. Bio-metrics (IJCB), 2011 International Joint Conference on. p. 16, Oct 2011. DOI:10.1109/IJCB.2011.6117804.

MOHAMMED et al., 2009 MOHAMMED, G. et al. A new localization method for iris recogni-tion based on angular integral projection function. Education Technology and ComputerScience, 2009. ETCS '09. First International Workshop on. v. 3, p. 316320, March2009. DOI: 10.1109/ETCS.2009.596.

MONTEBELLER, 2006 MONTEBELLER, S. J. Estudo sobre o emprego de dispositivossem os - wireless na automação do ar condicionado e de outros sistemas prediais.2006. 129 p. Dissertação (Dissertação de Mestrado) Universidade de São Paulo - EscolaPolitécnica, São Paulo, 2006.

NANNI; BRAHNAM; LUMINI, 2012 NANNI, L.; BRAHNAM, S.; LUMINI, A. A very highperforming system to discriminate tissues in mammograms as benign and malignant. ExpertSyst. Appl., Tarrytown, NY, USA, Pergamon Press, Inc., v. 39, n. 2, p. 19681971, fev.2012. 4 p. DOI: 10.1016/j.eswa.2011.08.050.

NAROTE et al., 2006 NAROTE, S. et al. An automated segmentation method for iris recog-nition. TENCON 2006. 2006 IEEE Region 10 Conference. p. 14, Nov 2006. DOI:10.1109/TENCON.2006.344211.

ÖDEN et al., 2001 ÖDEN, C. et al. Hand recognition using implicit polynomials and geometricfeatures. In: Audio- and Video-Based Biometric Person Authentication. Audio- andVideo-Based Biometric Person Authentication. [S.l.]: Springer Berlin Heidelberg, 2001.(Lecture Notes in Computer Science, v. 2091), p. 336341.

Page 152: proposicão de um algoritmo para identificação biométrica de ...

150

OJALA; PIETIKAINEN; MAENPAA, 2002 OJALA, T.; PIETIKAINEN, M.; MAENPAA, T.Multiresolution gray-scale and rotation invariant texture classication with local binary pat-terns. Pattern Analysis and Machine Intelligence, IEEE Transactions on, v. 24, n. 7,p. 971987, Jul 2002. DOI: 10.1109/TPAMI.2002.1017623.

PARK et al., 2006 PARK, C. et al. Multi-modal human verication using face and speech.Computer Vision Systems, 2006 ICVS '06. IEEE International Conference on. p.5454, Jan 2006. DOI: 10.1109/ICVS.2006.45.

PARTHIBAN et al., 2014 PARTHIBAN, K. et al. Finger vein extraction and authenticationbased on gradient feature selection algorithm. Applications of Digital Information andWeb Technologies (ICADIWT), 2014 Fifth International Conference on the. p.143147, Feb 2014. DOI: 10.1109/ICADIWT.2014.6814681.

PINHEIRO, 2008 PINHEIRO, J. M. Biometria nos Sistemas Computacionais - Você éa Senha. 1ªedição. ed. Rio de Janeiro: Ciência Moderna, 2008. 208 p.

PINHEIRO, 2010 PINHEIRO, J. M. ABNT NBR 17240:2010: Sistemas de detecção ealarme de incêndio - projeto, instalação, comissionamento e manutenção de sistemas dedetecção e alarme de incêndios. [S.l.]: ABNT NBR, novembro 2010. 54 p. v. 1.

PINTO; MORAES; BRANDÃO JR, 2000 PINTO, J. R.; MORAES, C. C. de; BRANDÃO JR,A. F. Electrical energy conservation in a commercial building with systems automation. In:Advances in Networked Enterprises. Advances in Networked Enterprises. [S.l.]:Springer US, 2000. (IFIP - The International Federation for Information Processing, v. 53),p. 439447. DOI: 10.1007/9780387355290_42.

PINTO; MORAES; BRANDÃO JR, 2000 PINTO, J. R.; MORAES, C. C. de; BRANDÃO JR,A. F. Electrical energy conservation in a commercial building with systems automation.1aed.Boston - USA: Kluwer Academic Publishers, p. 439447, 2000.

PLAMONDON; PARIZEAU, 1988 PLAMONDON, R.; PARIZEAU, M. Signature vericationfrom position, velocity and acceleration signals: a comparative study. Pattern Recog-nition, 1988., 9th International Conference on. p. 260265 vol.1, Nov 1988. DOI:10.1109/ICPR.1988.28218.

PRUDENTE, 2011 PRUDENTE, F. Automação Predial e Residencial - Uma Introdu-ção. 1ªedição. ed. [S.l.]: LTC, 2011. 228 p.

UFRJ - BIOMETRIA DA MÃO, 2009 Rafael Senra Caramez. Disponível em:<http://www.lcg.ufrj.br/Members/rafael>. Acesso em: 10 ago. 2014.

RAJAN; SUDHA; KUMAR, 2013 RAJAN, R.; SUDHA, N.; KUMAR, P. O-f estimation ba-sed on curved gabor lter for ngerprint image enhancement. Advanced Computing

Page 153: proposicão de um algoritmo para identificação biométrica de ...

151

(ICoAC), 2013 Fifth International Conference on. p. 405412, Dec 2013. DOI:10.1109/ICoAC.2013.6921985.

RASHID et al., 2008 RASHID, R. et al. Security system using biometric technology: designand implementation of voice recognition system (vrs). Computer and CommunicationEngineering, 2008. ICCCE 2008. International Conference on. p. 898902, May2008. DOI: 10.1109/ICCCE.2008.4580735.

IPOG, 2013 Revista online Especialize - IPOG. Disponível em : <http://www.ipog.edu.br>.Acessoem: 29 jun. 2014.

RICE, 1994 RICE, A. A quality approach to biometric imaging. Image Processing for Bio-metric Measurement, IEE Colloquium on. p. 4/14/5, Apr 1994.

RICE, 1987 J. RICE. Apparatus for the identication of individuals. out. 13 1987. USPatent 4,699,149.

SALZBERG, 1994 SALZBERG, S. C4.5: programs for machine learning by j. ross quinlan.morgan kaufmann publishers, inc., 1993. Machine Learning, Kluwer Academic Publishers,v. 16, n. 3, p. 235240, 1994. DOI: 10.1007/BF00993309.

SANCHES; ANTUNES; CORREIA, 2007 SANCHES, T.; ANTUNES, J.; CORREIA, P. A sin-gle sensor hand biometric multimodal system. Signal Processing Conference, 2007 15thEuropean. p. 3034, Sept 2007.

SANCHEZ-REILLO, 2000 SANCHEZ-REILLO, R. Hand geometry pattern recognition throughgaussian mixture modelling. Pattern Recognition, 2000. Proceedings. 15th Internati-onal Conference on. v. 2, p. 937940 vol.2, 2000. DOI: 10.1109/ICPR.2000.906228.

SANCHIT et al., 2011 SANCHIT et al. Biometric identication through palm and dorsal handvein patterns. EUROCON - International Conference on Computer as a Tool (EU-ROCON), 2011 IEEE. p. 14, April 2011. DOI: 10.1109/EUROCON.2011.5929297.

SILVA; SILVA, 2008 SILVA, J. de; SILVA, A. C. G. C. Refrigeração e climatização paratécnicos e engenheiros. 1ªedição. ed. Rio de Janeiro: Ciência Moderna, 2008. 360 p.

SINGH, 2014 SINGH, N. An improved algorithm for ecient iris based system. Con-trol, Instrumentation, Communication and Computational Technologies (IC-CICCT), 2014 International Conference on. p. 604607, July 2014. DOI: 10.1109/IC-CICCT.2014.6993033.

SPREEUWERS et al., 2014 SPREEUWERS, L. et al. Fixed far vote fusion of regional facialclassiers. Biometrics Special Interest Group (BIOSIG), 2014 International Confe-rence of the. p. 14, Sept 2014.

Page 154: proposicão de um algoritmo para identificação biométrica de ...

152

STARCK; CANDÈS; DONOHO, 2002 STARCK, J.-L.; CANDÈS, E.; DONOHO, D. The cur-velet transform for image denoising. Image Processing, IEEE Transactions on, v. 11,n. 6, p. 670684, Jun 2002. DOI: 10.1109/TIP.2002.1014998.

SUEN; ZHANG, 1984 SUEN, C.; ZHANG, T. A fast parallel algorithm for thinning digitalpatterns. Communications of the ACM, 27(3). p. 236239, Mar 1984.

SWAIN; BALLARD, 1991 SWAIN, M.; BALLARD, D. Color indexing. International Jour-nal of Computer Vision, Kluwer Academic Publishers, v. 7, n. 1, p. 1132, 1991. DOI:10.1007/BF00130487.

TANAKA; KUBO, 2004 TANAKA, T.; KUBO, N. Biometric authentication by hand vein pat-terns. SICE 2004 Annual Conference. v. 1, p. 249253 vol. 1, Aug 2004.

TANG; HUANG; WANG, 2012 TANG, Y.; HUANG, D.; WANG, Y. Hand-dorsa vein recogni-tion based on multi-level keypoint detection and local feature matching. Pattern Recogni-tion (ICPR), 2012 21st International Conference on. p. 28372840, Nov 2012.

THOMASSON; BALDI, 1997 THOMASSON, J.-P.; BALDI, L. Smartcards: portable security.Innovative Systems in Silicon, 1997. Proceedings., Second Annual IEEE Interna-tional Conference on. p. 259265, Oct 1997. DOI: 10.1109/ICISS.1997.630268.

TOH et al., 2005 TOH, K.-A. et al. Identity verication through palm vein and crease tex-ture. In: Advances in Biometrics. Advances in Biometrics. [S.l.]: Springer Ber-lin Heidelberg, 2005. (Lecture Notes in Computer Science, v. 3832), p. 546553. DOI:10.1007/11608288_73.

TSE, 2014 TSE - Recadastramento Biométrico. Disponível em : <http://www.tre-sp.jus.br/eleitor/recadastramento-biometrico-1>. Acesso em: 08 ago. 2014.

UHLMANN, 1991 UHLMANN, J. K. Satisfying general proximity / similarity queries withmetric trees. Information Processing Letters, v. 40, n. 4, p. 175 179, 1991. DOI:http://dx.doi.org/10.1016/0020-0190(91)90074-R.

VANDERGHEYNST; GOBBERS, 2002 VANDERGHEYNST, P.; GOBBERS, J.-F. Directionaldyadic wavelet transforms: design and algorithms. Image Processing, IEEE Transactionson, v. 11, n. 4, p. 363372, Apr 2002. DOI: 10.1109/TIP.2002.999670.

VIGLIAZZI, 2006 VIGLIAZZI, D. Biometria - Medidas de Segurança. 2ªedição. ed. [S.l.]:Visual Books, 2006.

WANG et al., 2007 WANG, J.-G. et al. Fusion of palmprint and palm vein images forperson recognition based on "laplacianpalm"feature. Computer Vision and PatternRecognition, 2007. CVPR '07. IEEE Conference on. p. 18, June 2007. DOI:10.1109/CVPR.2007.383386.

Page 155: proposicão de um algoritmo para identificação biométrica de ...

153

WANG; CHEN, 2011 WANG, J.-W.; CHEN, T.-H. Building palm vein capturing system forextraction. Systems Engineering (ICSEng), 2011 21st International Conference on.p. 311314, Aug 2011. DOI: 10.1109/ICSEng.2011.61.

WANG et al., 2006 WANG, K. et al. The study of hand vein image processing method. Intel-ligent Control and Automation, 2006. WCICA 2006. The Sixth World Congresson. v. 2, p. 1019710201, 2006. DOI: 10.1109/WCICA.2006.1713997.

WANG et al., 2006 WANG, K. et al. Hand vein recognition based on multi supplemental fea-tures of multi-classier fusion decision. Mechatronics and Automation, Proceedingsof the 2006 IEEE International Conference on. p. 17901795, June 2006. DOI:10.1109/ICMA.2006.257486.

WANG; LEEDHAM, 2006 WANG, L.; LEEDHAM, G. Gray-scale skeletonization of thermalvein patterns using the watershed algorithm in vein pattern biometrics. ComputationalIntelligence and Security, 2006 International Conference on. v. 2, p. 15971602, Nov2006. DOI: 10.1109/ICCIAS.2006.295332.

WANG; LEEDHAM, 2006 WANG, L.; LEEDHAM, G. Near- and far- infrared imaging for veinpattern biometrics. Video and Signal Based Surveillance, 2006. AVSS '06. IEEEInternational Conference on. p. 5252, Nov 2006. DOI: 10.1109/AVSS.2006.80.

WANG; LEEDHAM; CHO, 2007 WANG, L.; LEEDHAM, G.; CHO, S. Y. Infrared imaging ofhand vein patterns for biometric purposes. Computer Vision, IET, IET, v. 1, n. 3-4, p.113122, December 2007. DOI: 10.1049/iet-cvi:20070009.

WANG; CHEN; SHIH, 2009 WANG, W.-C.; CHEN, W.-S.; SHIH, S.-W. Biometric recognitionby fusing palmprint and hand-geometry based on morphology. Acoustics, Speech andSignal Processing, 2009. ICASSP 2009. IEEE International Conference on. p.893896, April 2009. DOI: 10.1109/ICASSP.2009.4959728.

WANG; LI; CUI, 2010 WANG, Y.; LI, K.; CUI, J. Hand-dorsa vein recognition based on par-tition local binary pattern. Signal Processing (ICSP), 2010 IEEE 10th InternationalConference on. p. 16711674, Oct 2010. DOI: 10.1109/ICOSP.2010.5656717.

WANG; WU, 2011 WANG, Y.; WU, S. Development of a solar led illumination control systembased on variable universe adaptive fuzzy pid controller. Power and Energy EngineeringConference (APPEEC), 2011 Asia-Pacic. p. 14, March 2011. DOI: 10.1109/AP-PEEC.2011.5749162.

WATANABE; TANAKA; IWATA, 2006 WATANABE, S.; TANAKA, T.; IWATA, E. Biome-tric authentication using phase only correlation with compensation algorithm for rotation.SICE-ICASE, 2006. International Joint Conference. p. 37113715, Oct 2006. DOI:10.1109/SICE.2006.315023.

Page 156: proposicão de um algoritmo para identificação biométrica de ...

154

WIJAYA; UCHIMURA; KOUTAKI, 2011 WIJAYA, I.; UCHIMURA, K.; KOUTAKI, G. Humanface security system using alternative linear discriminant analysis based classier. Frontiersof Computer Vision (FCV), 2011 17th Korea-Japan Joint Workshop on. p. 16,Feb 2011. DOI: 10.1109/FCV.2011.5739706.

WITTEN; FRANK, 2005 WITTEN, I. H.; FRANK, E. Data Mining: Practical MachineLearning Tools and Techniques, Second Edition (Morgan Kaufmann Series inData Management Systems). San Francisco, CA, USA: Morgan Kaufmann PublishersInc., 2005.

XIAOXIA, 2004 XIAOXIA, L. Numerical Analysis and Experimental Research on Laserinduced Thermal Eect in Bio-tissues. 2004. Tese (PhD Thesis) Tianjin University,China.

YANG; LIU; LIU, 2010 YANG, L.; LIU, X.; LIU, Z. A skeleton extracting algorithm for dorsalhand vein pattern. Computer Application and System Modeling (ICCASM), 2010International Conference on. v. 13, p. V1392V1395, Oct 2010. DOI: 10.1109/IC-CASM.2010.5622671.

YU; LIU, 2003 YU, L.; LIU, H. Feature selection for high-dimensional data: a fast correlation-based lter solution. p. 856863, 2003.

YUAN, 2010 YUAN, X. Biometric verication using hand vein-patterns.Wireless Communi-cations, Networking and Information Security (WCNIS), 2010 IEEE InternationalConference on. p. 677681, June 2010. DOI: 10.1109/WCINS.2010.5541865.

YüKSEL; AKARUN; SANKUR, 2010 YüKSEL, A.; AKARUN, L.; SANKUR, B. Biometricidentication through hand vein patterns. Emerging Techniques and Challenges forHand-Based Biometrics (ETCHB), 2010 International Workshop on. p. 16, Aug2010. DOI: 10.1109/ETCHB.2010.5559295.

ZHANG; HU, 2010 ZHANG, H.; HU, D. A palm vein recognition system. Intelligent Com-putation Technology and Automation (ICICTA), 2010 International Conferenceon. v. 1, p. 285288, May 2010. DOI: 10.1109/ICICTA.2010.425.

ZHAO et al., 2005 ZHAO, J. et al. Lbp discriminant analysis for face verication. ComputerVision and Pattern Recognition - Workshops, 2005. CVPRWorkshops. IEEE Com-puter Society Conference on. p. 167167, June 2005. DOI: 10.1109/CVPR.2005.580.

ZHAO et al., 2013 ZHAO, Q. et al. A generative model for ngerprint minutiae. Bi-ometrics (ICB), 2013 International Conference on. p. 18, June 2013. DOI:10.1109/ICB.2013.6613020.

ZHAO; WANG; WANG, 2007 ZHAO, S.; WANG, Y.; WANG, Y. Extracting hand vein patternsfrom low-quality images: a new biometric technique using low-cost devices. Image and

Page 157: proposicão de um algoritmo para identificação biométrica de ...

155

Graphics, 2007. ICIG 2007. Fourth International Conference on. p. 667671, Aug2007. DOI: 10.1109/ICIG.2007.97.

ZHAO; WANG, 2008 ZHAO, S.; WANG, Y.-D. Biometric identication based on low-qualityhand vein pattern images. Machine Learning and Cybernetics, 2008 InternationalConference on. v. 2, p. 11721177, July 2008. DOI: 10.1109/ICMLC.2008.4620581.

ZHOU; KUMAR, 2010 ZHOU, Y.; KUMAR, A. Contactless palm vein identication usingmultiple representations. Biometrics: Theory Applications and Systems (BTAS),2010 Fourth IEEE International Conference on. p. 16, Sept 2010. DOI:10.1109/BTAS.2010.5634470.

ZUIDERVELD, 1994 ZUIDERVELD, K. Graphics gems iv. In: . San Diego, CA, USA: Acade-mic Press Professional, Inc., 1994. cap. Contrast Limited Adaptive Histogram Equalization,p. 474485.